该论文从信息论的角度总结了群检测问题的最新进展，包括有效的算法、实用的存储和计算需求，解码方法的可达界限以及算法独立的反向界限。作者评估了理论保证的因素，并确定了现有算法是最优或接近最优的区域，同时也确定了可以改进的区域。此外，作者概述了标准群检测问题的若干变体的结果，包括部分恢复标准、带有有限阶段的自适应算法、受限测试设计和次线性时间算法。

Feb, 2019

本研究提出了一些信息理论上的可行性和对话界限，并为基于计算效率的变体提供了略微较弱的可行性界限，为噪声自适应设置提供了可能的最优算法，解决了组测试问题的有关缺陷项和噪声模型的问题。

Mar, 2018

本论文提出了一种新的信息论视角用于组测问题的建模，并且基于随机编码和最大似然检测器分析导出了总测试次数的单字母特征公式，并使用 Bernoulli 噪声模型和混水效应考虑了多种情况并得到了对应的较为紧凑的渐进界，同时可以验证现有无噪声情况下的渐进界以及带有绑定扭曲的近似重构。

Jul, 2009

本研究探讨了使用不同的群组检测算法来识别不同数量的不良元素的问题，提出了自适应和非自适应算法的上下界，并讨论了是否有先验知识或估计确切数量的情况下的检测数量的限制。

Jun, 2023

通过对八个流行图形基准数据集进行实证调查，本文回答了一个开放性问题，即排除无法测试的假设是否也会提高子图挖掘的统计功率，并提出了一种新的高效搜索策略，极大地提高了统计功率。

Jul, 2014

本文探讨了 “二十个问题” 的模式识别方法的理论基础，其中通过假设检验对可能的解释集合 Y 中的真实解释集合 Η 进行限制，提出了一种逐步测试策略，并针对测试成本和后期处理成本的总成本进行了优化。

Jul, 2005

我们提出了一种称为 Group Testing Bayesian Optimization (GTBO) 的算法，通过使用组合测试的方法来识别和利用活跃变量，从而优化高维问题的黑盒函数。通过利用坐标轴对齐子空间假设，GTBO 在多个合成和真实高维优化任务上与最先进的方法相竞争，并有助于发现应用中的活跃参数，从而增强从业者对问题的理解。

Oct, 2023

提出一种自适应群体测试框架用于基于范围的高维近邻搜索问题，该方法通过余弦距离阈值快速标记图像描述符集合中的邻居和非邻居，并实现了超过 10 倍的速度提升，同时保持了与穷举搜索相同的准确性。

Nov, 2023

我们提出了一个通用的框架，用于构建针对大类非参数测试问题的强大的连续假设检验。该框架可以统一处理多个经典任务，如双样本测试、独立性测试和条件独立性测试，以及现代问题，如对机器学习模型的对抗鲁棒性测试。我们的方法对传统批量测试具有以下优势：1) 它持续监控在线数据流并有效地聚合针对零假设的证据，2) 它在不需要多重测试校正的情况下对类型 I 错误进行严格控制，3) 它根据问题的未知难度调整样本大小要求。我们在测试通过投票框架（testing-by-betting framework）中利用机器学习模型的表示能力方面开发了一种基于原则的方法，这是一种用于设计连续测试的博弈论方法。在合成和真实数据集上的实证结果表明，使用我们的通用框架实例化的测试在多个任务上与专门的基准测试相竞争。

Oct, 2023

本文介绍了一个基于其他研究领域的组合问题结构的新型组合测试基准生成器，并使用这些新的基准对 CT 工具进行了广泛的评估，以提供关于在什么情况下使用特定 CT 工具的一些见解。

Dec, 2022