論文の概要: Bloom Origami Assays: Practical Group Testing

• arxiv url: http://arxiv.org/abs/2008.02641v1
• Date: Tue, 21 Jul 2020 19:31:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 04:48:34.393479
• Title: Bloom Origami Assays: Practical Group Testing
• Title（参考訳）: Bloom Origami Assays: 実践的なグループテスト
• Authors: Louis Abraham, Gary Becigneul, Benjamin Coleman, Bernhard Scholkopf, Anshumali Shrivastava, Alexander Smola
• Abstract要約: グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。 近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。 我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
• 参考スコア（独自算出の注目度）: 90.2899558237778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem usually referred to as group testing in the context of COVID-19. Given n samples collected from patients, how should we select and test mixtures of samples to maximize information and minimize the number of tests? Group testing is a well-studied problem with several appealing solutions, but recent biological studies impose practical constraints for COVID-19 that are incompatible with traditional methods. Furthermore, existing methods use unnecessarily restrictive solutions, which were devised for settings with more memory and compute constraints than the problem at hand. This results in poor utility. In the new setting, we obtain strong solutions for small values of n using evolutionary strategies. We then develop a new method combining Bloom filters with belief propagation to scale to larger values of n (more than 100) with good empirical results. We also present a more accurate decoding algorithm that is tailored for specific COVID-19 settings. This work demonstrates the practical gap between dedicated algorithms and well-known generic solutions. Our efforts results in a new and practical multiplex method yielding strong empirical performance without mixing more than a chosen number of patients into the same probe. Finally, we briefly discuss adaptive methods, casting them into the framework of adaptive sub-modularity.
• Abstract（参考訳）: 我々は、通常グループテストと呼ばれる問題を、COVID-19の文脈で研究する。 患者から収集されたn個のサンプルから、情報の最大化とテスト回数の最小化のためにサンプルの混合物を選択してテストするにはどうすればよいか? グループテストは、いくつかの魅力的なソリューションでよく研究されている問題であるが、最近の生物学的研究は、従来の方法と互換性のない新型コロナウイルスの実践的な制約を課している。 さらに、既存の手法では、既存の問題よりもメモリと計算の制約の多い設定のために考案された、不要な制限付きソリューションを使用する。 これにより実用性が低下する。 新しい設定では、進化戦略を用いてnの小さな値に対する強い解を得る。 次に,Bloomフィルタと信念伝播を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な実験結果を得る。 さらに,特定のcovid-19設定用に最適化された,より正確な復号アルゴリズムも提示する。 この研究は、専用アルゴリズムとよく知られた汎用解の実践的なギャップを示す。 提案手法は, 選択した患者数以上を同一プローブに混ぜることなく, 強力な経験的性能をもたらす新しい実用的多重化法である。 最後に,適応的部分モジュラリティの枠組みとして,適応的手法について簡単に論じる。

関連論文リスト

• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Nested Elimination: A Simple Algorithm for Best-Item Identification from Choice-Based Feedback [8.043586007062858]
  選択に基づくフィードバックから最良項目識別の問題について検討する。 この問題において、企業は、顧客集団に順次かつ適応的に表示セットを表示し、その選択を収集する。 情報理論の下界にインスパイアされたネスト構造にインスパイアされた,除去に基づくアルゴリズムNested Elimination(NE)を提案する。
  論文  参考訳（メタデータ） (2023-07-13T05:05:30Z)
• Interactively Learning Preference Constraints in Linear Bandits [100.78514640066565]
  我々は、既知の報酬と未知の制約で逐次意思決定を研究する。 応用として,運転シミュレーションにおいて,人間の嗜好を表現するための学習制約を検討する。
  論文  参考訳（メタデータ） (2022-06-10T17:52:58Z)
• Group Testing with Non-identical Infection Probabilities [59.96266198512243]
  そこで我々は,集合形成法を用いた適応型グループテストアルゴリズムを開発した。 提案アルゴリズムは, エントロピー下界に近い性能を示す。
  論文  参考訳（メタデータ） (2021-08-27T17:53:25Z)
• Efficient and accurate group testing via Belief Propagation: an empirical study [5.706360286474043]
  グループテスト問題は効率的なプーリングスキームとアルゴリズムを要求する。 目標は感染したサンプルを正確に識別し、最小限の数の検査を行うことである。 結果の精度を大幅に向上させる新しいテスト設計を提案する。
  論文  参考訳（メタデータ） (2021-05-13T10:52:46Z)
• Does My Representation Capture X? Probe-Ably [2.624902795082451]
  探索(または診断分類)は、与えられた中間機能のセットが神経モデルの表現に存在するかどうかを調べるための一般的な戦略となっている。 Probe-Ably: ユーザーの入力に対するプロービングメソッドの適用をサポートし、自動化する拡張可能なプロービングフレームワークです。
  論文  参考訳（メタデータ） (2021-04-12T20:43:10Z)
• Crackovid: Optimizing Group Testing [7.895866278697778]
  患者から採取したサンプルを$n$とすれば、テスト対象のサンプルをどうやって選択すればよいのか? 適応的戦略も非適応的戦略も考慮し, 患者感染と検査誤差の両方に先行してベイズ的アプローチを採る。
  論文  参考訳（メタデータ） (2020-05-13T16:40:09Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。