[論文レビュー] An Algorithmic Bridge Between Hamming and Levenshtein Distances

Elazar Goldenberg, Tomasz Kociumaka+2 more|arXiv (Cornell University)|Nov 22, 2022

Algorithms and Data Compression被引用数 2

ひとこと要約

この論文は、置換のコストを 1/a、挿入・削除のコストを 1 とするパラメータ化された編集距離 EDa を導入し、a→∞ のときハミング距離、a=1 のとき標準編集距離に滑らかに接続する。EDa に対するランダム化 (1+ϵ)-近似アルゴリズムを提示し、時間計算量 Õ(n/a + ak³) で動作する。a が大きく k が小さい場合には n に対して部分線形時間となり、このアルゴリズムを (kI,kS)-アラインメント問題に拡張し、同様に部分線形時間で (1,1+ϵ)-バイクリテリア近似を達成する。実世界のシナリオでは置換が多く挿入・削除が少ない場合に、単位コスト編集距離よりも顕著な高速化を実現する。

ABSTRACT

The edit distance between strings classically assigns unit cost to every character insertion, deletion, and substitution, whereas the Hamming distance only allows substitutions. In many real-life scenarios, insertions and deletions (abbreviated indels) appear frequently but significantly less so than substitutions. To model this, we consider substitutions being cheaper than indels, with cost $1/a$ for a parameter $a\ge 1$. This basic variant, denoted $ED_a$, bridges classical edit distance ($a=1$) with Hamming distance ($a o\infty$), leading to interesting algorithmic challenges: Does the time complexity of computing $ED_a$ interpolate between that of Hamming distance (linear time) and edit distance (quadratic time)? What about approximating $ED_a$? We first present a simple deterministic exact algorithm for $ED_a$ and further prove that it is near-optimal assuming the Orthogonal Vectors Conjecture. Our main result is a randomized algorithm computing a $(1+ε)$-approximation of $ED_a(X,Y)$, given strings $X,Y$ of total length $n$ and a bound $k\ge ED_a(X,Y)$. For simplicity, let us focus on $k\ge 1$ and a constant $ε> 0$; then, our algorithm takes $ ilde{O}(n/a + ak^3)$ time. Unless $a= ilde{O}(1)$ and for small enough $k$, this running time is sublinear in $n$. We also consider a very natural version that asks to find a $(k_I, k_S)$-alignment -- an alignment with at most $k_I$ indels and $k_S$ substitutions. In this setting, we give an exact algorithm and, more importantly, an $ ilde{O}(nk_I/k_S + k_S\cdot k_I^3)$-time $(1,1+ε)$-bicriteria approximation algorithm. The latter solution is based on the techniques we develop for $ED_a$ for $a=Θ(k_S / k_I)$. These bounds are in stark contrast to unit-cost edit distance, where state-of-the-art algorithms are far from achieving $(1+ε)$-approximation in sublinear time, even for a favorable choice of $k$.

研究の動機と目的

• 置換コストが挿入・削除コストより低いパラメータ化されたモデルを導入することで、ハミング距離（線形時間）と編集距離（二次時間）の間のアルゴリズム的ギャップを埋める。
• コストパラメータ a を 1 から ∞ に増加させるに従い、EDa の計算時間計算量が線形時間（ハミング）と二次時間（編集距離）の間で滑らかに滑らかに変化するかを調査する。
• EDa および (kI,kS)-アラインメント問題のための効率的な近似アルゴリズムを設計し、距離が小さく a が大きい場合に部分線形時間で動作することを特に目指す。
• 実世界の応用において置換が支配的である分野で、ヒューリスティックな文字列比較手法の効率性に理論的根拠を与える。

提案手法

• a ≥ 1 をパラメータとする EDa を導入。これは置換コストが 1/a、挿入・削除コストが 1 の編集距離の変種である。
• EDa に対する決定的正確アルゴリズムを構築し、直交ベクトル予想の下でその近似的最適性を証明する。
• EDa に対するランダム化 (1+ϵ)-近似アルゴリズムを提案し、誤差許容のある LCE クエリを活用することで Õ(n/a + ak³) 時間で実行する。
• アルゴリズムを (kI,kS)-アラインメント問題に適応し、a = Θ(kS/kI) に調整することで Õ(nkI/kS + kSk³I) 時間で (1,1+ϵ)-バイクリテリア近似を達成する。
• 置換回数のサンプリングと LCE を用いた検証を組み合わせたレイヤード動的計画法を用い、クエリのオーバーヘッドを低減する。
• 共通部分文字列を誤差有界で推定する LCEd,ϵ クエリを用い、制御された精度のもとで部分線形時間近似を可能にする。

実験結果

リサーチクエスチョン

• RQ1 コストパラメータ a を 1 から ∞ に増加させるに従い、EDa の計算時間計算量がハミング距離（線形時間）と編集距離（二次時間）の間で滑らかに滑らかに変化するか？
• RQ2 a が大きく編集距離が小さい場合に、EDa の (1+ϵ)-近似を部分線形時間で計算できるか？
• RQ3 挿入・削除の数がそれぞれ kI と kS で制限される (kI,kS)-アラインメント問題に対して、(1,1+ϵ)-バイクリテリア近似を部分線形時間で達成できるか？
• RQ4 挿入が疎で置換が稠密な現実的設定において、提案されたアルゴリズムの性能は、単位コスト編集距離の既存の部分線形時間アルゴリズムと比べてどのように差がつくか？
• RQ5 直交ベクトル予想の下で、重み付き編集距離の部分線形時間近似の理論的限界は何か？

主な発見

• 提案された EDa に対する (1+ϵ)-近似アルゴリズムは Õ(n/a + ak³) 時間で動作し、a ≫ 1 かつ k が小さい場合には n に対して部分線形時間となる。
• (kI,kS)-アラインメント問題では、Õ(nkI/kS + kSk³I) 時間で (1,1+ϵ)-バイクリテリア近似を達成する。kI ≪ kS の場合にも部分線形時間となる。
• このアルゴリズムの実行時間は、単位コスト編集距離の最先端部分線形アルゴリズムよりも顕著に速く、近似比が多項式的または対数的であるのとは対照的である。
• アルゴリズムは高確率で正しく動作し、誤差有界の LCEd,ϵ クエリを用いてアラインメント候補を効率的に検証する。
• 直交ベクトル予想の下で、実行時間は近似的に最適であり、さらなる改善が可能であるとすれば広く信じられている計算複雑性の仮定を破ることを示唆する。
• この手法は、置換が支配的である分野（例：計算生物学）における文字列比較ヒューリスティクスの実効性に理論的説明を与える。