[論文レビュー] An In-place Framework for Exact and Approximate Shortest Unique Substring Queries

Wing-Kai Hon, Sharma V. Thankachan+1 more|arXiv (Cornell University)|Dec 1, 2015

Algorithms and Data Compression参考文献 8被引用数 7

ひとこと要約

この論文は、文字列の各位置に対して正確なおよび近似（kミスあり）の最短一意部分文字列（SUS）を計算するインプレースフレームワークを提示する。正確なSUSに対してはO(n)時間、近似SUSに対してはO(n²)時間で実行可能であり、2nワードに加えnバイトのメモリのみを必要とし、圧縮データ構造を用いないため、空間効率的で実用的である。

ABSTRACT

We revisit the exact shortest unique substring (SUS) finding problem, and propose its approximate version where mismatches are allowed, due to its applications in subfields such as computational biology. We design a generic in-place framework that fits to solve both the exact and approximate $k$-mismatch SUS finding, using the minimum $2n$ memory words plus $n$ bytes space, where $n$ is the input string size. By using the in-place framework, we can find the exact and approximate $k$-mismatch SUS for every string position using a total of $O(n)$ and $O(n^2)$ time, respectively, regardless of the value of $k$. Our framework does not involve any compressed or succinct data structures and thus is practical and easy to implement.

研究の動機と目的

• バイオインフォマティクスやドキュメント検索などの応用分野における最短一意部分文字列（SUS）の効率的計算のニーズに対応すること。
• 正確なSUS問題をkミスを許容する近似版に拡張し、遺伝子配列解析における応用性を高めること。
• 圧縮または短縮データ構造に依存しない、最小限のメモリ（2nワードに加えnバイト）を用いる実用的なインプレースアルゴリズムを設計すること。
• 最適な時間計算量を達成すること：正確なSUSに対してはO(n)、近似kミスSUSに対してはO(n²)であり、kに依存しないこと。
• 実装が簡単で、実世界の文字列処理タスクに適したフレームワークを提供すること。

提案手法

• フレームワークは、初期状態で左端のSUS（LSUS）とその終了位置をそれぞれ格納する2つの補助配列AとBを用いる。
• 配列Bを右から左へスキャンし、各位置における右端の左端SUS（SLSUS）を計算し、BをSLSUSの終了位置で上書きする。
• その後、左から右へのパスで各位置iについて最終的なSUSを計算し、直前のSUSと現在のSLSUSに基づく動的更新を行う。
• 各位置iについて、SLSUSが存在し、かつ直前のSUSを延長するよりも短い場合、SLSUSが選ばれる。それ以外の場合は、直前のSUSをS[i]で延長する。
• kミスの独自性と部分文字列カバレッジの性質を活用することで、インプレースでの配列変更のみで正しさを保証する。
• 圧縮データ構造を一切避けており、入力文字列と2つの整数配列に対して直接処理を行うため、メモリとメモリアクセスを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 インプレースアルゴリズムは、文字列のすべての位置について正確および近似（kミスあり）の最短一意部分文字列を効率的に計算できるか？
• RQ2 実用性と正しさを維持したまま、kミスSUS問題を解くために必要な最小限のメモリ要件は何か？
• RQ3 近似SUSの場合、時間計算量をkに依存させずに保てるか？
• RQ4 圧縮データ構造を避けても、最適な時間と空間効率を達成できるフレームワークを設計できるか？
• RQ5 同じアルゴリズム的構造を、正確なSUSと近似SUSの両方の計算に最小限の変更で再利用できるか？

主な発見

• 提案されたインプレースフレームワークは、2nワードに加えnバイトのみを用い、n個のSUSと元の文字列を格納するために必要な最小限のメモリである。
• 正確なSUS（k=0）に対してはO(n)時間で実行され、従来のO(n²)解法に比べて顕著に高速化される。
• k≥1の近似kミスSUSに対しては、kの値に依存せずO(n²)時間で実行可能である。
• フレームワークは圧縮または短縮データ構造に依存せず、実装が容易で実用的である。
• 配列AとBにおける開始位置と終了位置を動的に維持・更新することで、各位置に対して正しい右端SUSが正しく計算される。
• この解決策は汎用的であり、同定のルールをわずかに変更するだけで左端または右端のSUSを求めるために適応可能である。