論文の概要: Sparse Identification for Automatic Large-Scale Screening: A Constraint-Aware Framework with Ultra Fast Decoding Algorithm
- arxiv url: http://arxiv.org/abs/2609.21321v1
- Date: Fri, 18 Sep 2026 04:58:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.865003
- Title: Sparse Identification for Automatic Large-Scale Screening: A Constraint-Aware Framework with Ultra Fast Decoding Algorithm
- Title（参考訳）: 大規模自動スクリーニングのためのスパース同定:超高速復号アルゴリズムを用いた制約認識フレームワーク
- Abstract要約: 既存のグループテスト手法は、高い計算複雑性または低い識別精度のいずれかに悩まされている。
大規模スクリーニングのための超高速,高精度,理論的に基盤としたフレームワークであるLogic Screening Method (LoSc) を提案する。
- 参考スコア（独自算出の注目度）: 11.926486597053811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the early stages of a pandemic, identification of a small number of infected individuals through large-scale screening is critical for pandemic control, yet remains challenging under limited reagents and testing capacity. Existing group testing methods suffer from either high computational complexity or low identification accuracy. Even worse, no available methods provide theoretically rigorous analysis for sparse identification with hard constraints caused by the sample usage constraint and the dilution effect existing ubiquitously in practical applications. In this article, we propose the Logic Screening method (LoSc), an ultra fast, accurate, and theoretically grounded framework for large-scale screening. LoSc introduces a novel decoding algorithm with a very simple selection strategy, achieving identification of all positives with only O(klogn) pooled tests. The decoding relies only on logical operations, enabling direct hardware implementation and yielding ultra fast computational implementation. Moreover, LoSc explicitly incorporates dilution and sample usage constraints into pooling designs, and establishes theoretical guarantees to guide optimal pooling configurations. Extensive simulations confirm the superior effectiveness, efficiency, and scalability. We believe LoSc offers a fast and reliable solution for automatic large-scale screening.
- Abstract（参考訳）: パンデミックの初期段階では、大規模なスクリーニングを通じて少数の感染者を特定することは、パンデミックのコントロールにとって重要であるが、限られた試薬や検査能力の下では依然として困難である。
既存のグループテスト手法は、高い計算複雑性または低い識別精度のいずれかに悩まされている。
さらに悪いことに、サンプル使用制限や希釈効果によって生じる厳密な制約によるスパース同定を理論的に厳密に分析する手法は存在しない。
本稿では,大規模スクリーニングのための超高速,高精度,理論的に基盤としたフレームワークであるLogic Screening Method (LoSc)を提案する。
LoScは、O(klogn)プーリングテストのみで全ての正の識別を達成し、非常に単純な選択戦略を持つ新しい復号アルゴリズムを導入した。
復号化は論理演算のみに依存しており、直接ハードウェア実装が可能であり、超高速な計算実装が得られる。
さらに、LoScは希釈とサンプル使用制限をプール設計に明示的に組み込んでおり、最適なプール構成を導く理論的保証を確立している。
大規模なシミュレーションにより、優れた効率性、効率性、スケーラビリティが確認できる。
LoScは自動大規模スクリーニングのための高速で信頼性の高いソリューションだと考えています。
関連論文リスト
- Breaking the Computational Barrier: Provably Efficient Actor-Critic for Low-Rank MDPs [53.412166189410904]
低ランクマルコフ決定過程(MDPs)の下で広く採用されているRLオーラクルの階層を確立するために,教師付き学習を計算プロキシとして利用する。
本研究の目的は,政策評価にのみ依存する新しい楽観的アクター批判アルゴリズムを提案することである。
提案アルゴリズムは,従来の計算コストの高い計画や最適化オーラクルを回避しつつ,既存のサンプル複雑度保証よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-05-02T04:46:54Z) - Optimal Circuit Synthesis of Linear Codes for Error Detection and Correction [11.02232592575343]
障害注入攻撃は、正常な実行を妨げるために物理的チャネルを介してデバイスに故意に障害を注入する。
我々は,各入力とパリティサイズに基づく2つのドメイン固有最小化目標に基づいて,最適符号回路問題(OptiCC)を定式化する。
次に,各入力の最小化を優先し,OptiCCを解くための新しいアルゴリズムCiSCを提案する。
論文 参考訳（メタデータ） (2026-04-04T06:46:43Z) - Accelerate Speculative Decoding with Sparse Computation in Verification [49.74839681322316]
投機的復号化は、複数のドラフトトークンを並列に検証することにより、自動回帰言語モデル推論を加速する。
既存のスペーシフィケーション方式は主にトークン・バイ・トーケンの自己回帰復号化のために設計されている。
そこで本研究では,注目度,FFN,MoEを両立させるスパース検証フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-26T07:53:41Z) - Budget-aware Test-time Scaling via Discriminative Verification [29.169164125933538]
テスト時間のスケーリングは、複雑な推論タスクにおいて、大きな言語モデルのパフォーマンスを高めるための強力な戦略です。
この作業では、焦点をより予算対応のパラダイム、差別的検証にシフトします。
固定された計算予算の下では、このハイブリッドアプローチは最先端の生成検証をかなりの差で上回る。
論文 参考訳（メタデータ） (2025-10-16T17:30:02Z) - Identifying All ε-Best Arms in (Misspecified) Linear Bandits [9.638337713545065]
LinFACT (LinFACT) は、リニアバンディットにおける全てのエプシロンベストアームの識別を最適化するために設計されたアルゴリズムである。
我々は、LinFACTが、この下界を対数係数にマッチングすることで、インスタンス最適性を達成することを示す。
合成および実薬品発見データを含む数値実験により、LinFACTはサンプルの複雑さを減らしたより有望な候補を同定することを示した。
論文 参考訳（メタデータ） (2025-09-29T22:26:52Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Accelerating Certifiable Estimation with Preconditioned Eigensolvers [2.1701691499017812]
多くの最先端 (Burer-Monteiro 因数分解に基づく) 推定手法における主要なコストは、解の検証である。
本稿では,この検証ステップを著しく高速化する方法を示し,検証手法の全体的な高速化について述べる。
事前条件付き固有解法を用いてこの問題に対処する方法を示す。
論文 参考訳（メタデータ） (2022-07-12T02:00:08Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳（メタデータ） (2022-04-23T02:45:55Z) - A Simple and Efficient Sampling-based Algorithm for General Reachability
Analysis [32.488975902387395]
汎用リーチビリティ分析は、ニューラルネットワークの検証から動的システムの安全性分析まで、アプリケーションにおいて非常に難しい問題である。
入力をサンプリングし、真の到達可能なセットで画像を評価し、その$epsilon$padded convex hullをセット推定器として利用することにより、このアルゴリズムは一般的な問題設定に適用でき、実装も簡単である。
この分析はアルゴリズム設計に、高い確率で$epsilon$-close reachable set approximationを得るよう通知する。
ニューラルネットワーク検証タスクでは、このアプローチが以前の作業よりも正確で、はるかに高速であることを示す。
論文 参考訳（メタデータ） (2021-12-10T18:56:16Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳（メタデータ） (2020-09-28T15:22:24Z) - Bloom Origami Assays: Practical Group Testing [90.2899558237778]
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。
論文 参考訳（メタデータ） (2020-07-21T19:31:41Z)
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。