論文の概要: Dynamic Welfare-Maximizing Pooled Testing

• arxiv url: http://arxiv.org/abs/2601.22419v1
• Date: Fri, 30 Jan 2026 00:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.130424
• Title: Dynamic Welfare-Maximizing Pooled Testing
• Title（参考訳）: 動的福祉最大化試験
• Authors: Nicholas Lopez, Francisco Marmolejo-Cossío, Jose Roberto Tello Ayala, David C. Parkes,
• Abstract要約: プールテストは、限られた検査資源の下での公衆衛生疾患スクリーニングの一般的な戦略である。 本研究では,限られた数の試験を順次実施するプールテスト戦略を最適化する動的福祉について検討する。 以上の結果から,低予算体制下での静的ベースラインよりも,動的試験が実質的な福祉改善をもたらす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 10.864380178181527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pooled testing is a common strategy for public health disease screening under limited testing resources, allowing multiple biological samples to be tested together with the resources of a single test, at the cost of reduced individual resolution. While dynamic and adaptive strategies have been extensively studied in the classical pooled testing literature, where the goal is to minimize the number of tests required for full diagnosis of a given population, much of the existing work on welfare-maximizing pooled testing adopts static formulations in which all tests are assigned in advance. In this paper, we study dynamic welfare-maximizing pooled testing strategies in which a limited number of tests are performed sequentially to maximize social welfare, defined as the aggregate utility of individuals who are confirmed to be healthy. We formally define the dynamic problem and study algorithmic approaches for sequential test assignment. Because exact dynamic optimization is computationally infeasible beyond small instances, we evaluate a range of strategies (including exact optimization baselines, greedy heuristics, mixed-integer programming relaxations, and learning-based policies) and empirically characterize their performance and tradeoffs using synthetic experiments. Our results show that dynamic testing can yield substantial welfare improvements over static baselines in low-budget regimes. We find that much of the benefit of dynamic testing is captured by simple greedy policies, which substantially outperform static approaches while remaining computationally efficient. Learning-based methods are included as flexible baselines, but in our experiments they do not reliably improve upon these heuristics. Overall, this work provides a principled computational perspective on dynamic pooled testing and clarifies when dynamic assignment meaningfully improves welfare in public health screening.
• Abstract（参考訳）: プールテストは、限られた検査リソースの下で公衆衛生疾患をスクリーニングする一般的な戦略であり、個々の解像度を低下させるコストで、複数の生物学的サンプルを単一のテストのリソースと一緒にテストすることができる。 動的かつ適応的な戦略は古典的なプールテスト文献で広く研究されているが、その目的は、与えられた集団の完全な診断に必要なテストの数を最小化することにある。 本稿では,健康であると確認された個人の集合的有用性として定義された社会福祉を最大化するために,限られた数の試験を順次実施する動的福祉最大化テスト戦略について検討する。 我々は、動的問題を正式に定義し、逐次テスト代入のためのアルゴリズム的アプローチを研究する。 正確な動的最適化は、小さなインスタンスを超えて計算的に不可能であるため、厳密な最適化ベースライン、欲求的ヒューリスティックス、混合整数プログラミング緩和、学習ベースのポリシーなどを含む様々な戦略を評価し、合成実験を用いてその性能とトレードオフを実証的に特徴づける。 以上の結果から,低予算体制下での静的ベースラインよりも,動的試験が実質的な福祉改善をもたらす可能性が示唆された。 動的テストの利点の多くは、計算効率を保ちながら静的アプローチを大幅に上回る単純な欲求ポリシーによって捉えられている。 学習ベースの手法はフレキシブルなベースラインとして含まれていますが、我々の実験ではこれらのヒューリスティックスを確実に改善することはできません。 全体として、この研究は、動的プールテストの原理的な計算的視点を提供し、動的割り当てが公衆衛生スクリーニングの福祉を有意義に改善するときに明らかにする。

関連論文リスト

• Reusable Test Suites for Reinforcement Learning [1.5826476446078004]
  本稿では,RL環境のための新しい自動テストスイート選択法であるMPTCS(Multi-Policy Test Case Selection)を提案する。 MPTCSは一連のポリシーを使用して、エージェントの行動に典型的な欠陥を示す、再利用可能なポリシーに依存しないテストケースのコレクションを選択する。 難易度スコアの有効性と,その方法の有効性とコストが,集合内のポリシーの数に依存するかを評価する。
  論文  参考訳（メタデータ） (2025-08-29T12:10:05Z)
• Test-time Offline Reinforcement Learning on Goal-related Experience [50.94457794664909]
  基礎モデルの研究では、テストタイムトレーニングによってパフォーマンスが大幅に改善できることが示されている。 本稿では、オフラインデータセットから現在の状態への関連性に応じて遷移を選択する、新しい自己教師型データ選択基準を提案する。 目標条件付きテストタイムトレーニング(GC-TTT)アルゴリズムは、評価中にこのルーチンを後退水平方式で適用し、現在の軌道にポリシーを適用する。
  論文  参考訳（メタデータ） (2025-07-24T21:11:39Z)
• TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
  対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。 TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
  論文  参考訳（メタデータ） (2025-06-03T16:07:54Z)
• Exploring Critical Testing Scenarios for Decision-Making Policies: An LLM Approach [14.32199539218175]
  本稿では,LLM(Adaptable Large Language Model)によるオンラインテストフレームワークを提案する。 具体的には、LLMの世界の知識と推論能力を活用するために、テンプレート付きプロンプトエンジニアリングを備えた「ジェネレーション・テスト・フィードバック」パイプラインを設計する。
  論文  参考訳（メタデータ） (2024-12-09T17:27:04Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
  人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• Machine Learning Testing in an ADAS Case Study Using Simulation-Integrated Bio-Inspired Search-Based Testing [7.5828169434922]
  Deeperは、ディープニューラルネットワークベースの車線保持システムをテストするための障害検出テストシナリオを生成する。 新たに提案されたバージョンでは、新しいバイオインスパイアされた検索アルゴリズム、遺伝的アルゴリズム(GA)、$(mu+lambda)$および$(mu,lambda)$進化戦略(ES)、およびParticle Swarm Optimization(PSO)を利用する。 評価の結果,Deeperで新たに提案したテストジェネレータは,以前のバージョンよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-22T20:27:40Z)

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。