[論文レビュー] General approach to the fluctuations problem in random sequence comparison

Jüri Lember, Heinrich Matzinger+1 more|arXiv (Cornell University)|Nov 21, 2012

Algorithms and Data Compression参考文献 38被引用数 4

ひとこと要約

本稿では、i.i.d. 確率的シーケンスにおける最適アラインメントスコアの分散を一般化した枠組みを提示する。特に、i.i.d. 確率的シーケンスにおける最長共通部分列（LCS）の分散に注目する。大偏差理論とエントロピーに基づく技術を用いて、LCSの分散が Θ(n) でタイトに束縛されることを確立し、長年のウォーターマン予想を裏付け、シーケンスマッチング理論における中心的未解決問題を解決する。

ABSTRACT

We present a general approach to the problem of determining the asymptotic order of the variance of the optimal score between two independent random sequences defined over an arbitrary finite alphabet. Our general approach is based on identifying random variables driving the fluctuations of the optimal score and conveniently choosing functions of them which exhibit certain monotonicity properties. We show how our general approach establishes a common theoretical background for the techniques used by Matzinger et al. in a series of previous articles [6, 8, 20, 24, 26, 37] studying the same problem in especial cases. Additionally, we explicitely apply our general approach to study the fluctuations of the optimal score between two random sequences over a finite alphabet (closing the study as initiated in [26]) and of the length of the longest common subsequences between two random sequences with a certain block structure (generalizing part of [37]).

研究の動機と目的

• i.i.d. 確率的シーケンスにおける最長共通部分列（LCS）の漸近的分散を特定する長年の未解決問題を解明すること。
• 任意のスコア設定における最適アラインメントスコアのフラクチュエーションを分析する一般化された手法を確立すること。
• LCSの分散がシーケンス長 n に比例して増加するというウォーターマン予想を確認すること。
• エントロピーと大偏差技術を用いて、Θ(n) の分散バインディングの厳密な証明を提供することで、先行研究を拡張すること。

提案手法

• 最適アラインメントスコアをモデル化するため、ペアワイズスコアとギャップペナルティを組み合わせた一般化されたスコア設定を構築する。
• エントロピーに基づく組合せ的技術と大偏差原理を適用し、最適アラインメントのパス構造を分析する。
• 修正された Efron-Stein 不等式と集中不等式を用いて、LCS スコアの分散を制御する。
• カップリング論法と条件付き確率のバインディングを導入し、異なるアラインメントパスの尤もらしさを比較する。
• テイラー展開と対数近似を用いて、隣接するアラインメント結果の確率比をバインディングする。
• 適切なカップリングを構築し、制約下での多項係数の性質を用いることで、分散の下界を確立する。

実験結果

リサーチクエスチョン

• RQ1 i.i.d. 確率的シーケンスにおける最長共通部分列（LCS）の分散の漸近的オーダーは何か？
• RQ2 ウォーターマンが予想したように、LCSの分散はシーケンス長に比例して増加するか？
• RQ3 LCSのケースを超えて、最適アラインメントスコアのフラクチュエーションを分析する一般化された枠組みを開発できるか？
• RQ4 エントロピーと大偏差原理は、アラインメントスコアの分散をバインディングするためにどのように役立つか？
• RQ5 パス構造とアラインメントタイプは、最適スコアの分散を決定づける役割を果たすか？

主な発見

• i.i.d. ベルヌーイ(1/2)シーケンスにおけるLCSの分散が Θ(n) であることが証明され、ウォーターマン予想が裏付けられた。
• 本稿では上界と下界の両方が確立され、ある n に依存しない正の定数 b と B を用いて、Var[L_n] ≤ Bn および Var[L_n] ≥ bn が成り立つことが示された。
• 解析により、LCSスコアのフラクチュエーションが √n のオーダーにあることが確認され、この問題における中心極限定理と整合的である。
• 本手法は一般化されたスコア設定へも成功裏に拡張され、ランダムなシーケンス比較における分散解析の強固な枠組みを提供する。
• エントロピーと大偏差技術の使用により、まれなアラインメントパスの確率を正確に制御でき、タイトな分散バインディングが可能になった。
• 得られたバインディングはすべてのアラインメントタイプにわたって一様であり、特定のシーケンス実現に依存せず、広範な適用可能性を保証する。