最大化福利的集中检测
摘要：有限的测试资源情况下，在疫情流行中，一个组织在封锁期过后如何安全地恢复到面对面的活动？我们在这样一个情境中研究这个问题，即受试人群在参与面对面活动的效用和感染概率上存在异质性。在重新整合的期间，测试可以用作无感染证明的凭证，通过这些负面测试的人被允许在设定的时间内返回到面对面的活动中。在假设样本可以进行混合检测的前提下，如何分配有限的测试预算在人群中，以最大化返回到面对面活动中的被测试者的总效用（即福利）是非易事的，因为存在大量潜在的测试分配空间。 我们证明了不重叠的测试分配，其在概念上和（至关重要的）在逻辑上更简单实施，是近似最优的。我们设计了一种高效的贪心算法来找到近似最优福利的不重叠的测试分配。在计算实验中，我们突出了我们的贪心算法在实践中的效力和可行性。据我们所知，我们也是首次在现实环境中实施并提供关于效用加权混合检测的因果证据。令人惊讶的是，我们在墨西哥的一个高等教育研究机构进行的试点研究发现，与没有进行测试的完全重新开放的第一种最优对照组相比，参与者在我们的测试方案下的表现和心理健康结果并没有恶化。
作者：Simon Finster and Michelle Gonz''alez Amador and Edwin Lock and Francisco Marmolejo-Coss''io and Evi Micha and Ariel D. Procaccia
论文ID：2206.10660
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2023-06-13