[論文レビュー] Linear-Time Algorithm for Long LCF with $k$ Mismatches

Panagiotis Charalampopoulos, Maxime Crochemore+6 more|arXiv (Cornell University)|Jan 1, 2018

Algorithms and Data Compression参考文献 11被引用数 4

ひとこと要約

この論文は、因子長が ℓ = Ω(log²ᵏ⁺² n) 以上である場合に、Long LCFk 問題（最大 k ミスマッチを許容する2つの文字列間の最長共通因子の特定）を線形時間で解くアルゴリズムを提示する。差分カバーと k-完全な家族の圧縮トリーを活用することで、同期された部分文字列上の複数の LCP クエリに問題を還元し、ℓ ≥ ℓ₀ の場合に O(n) 時間、一般の ℓ の場合に O(n + n logᵏ⁺¹ n / √ℓ) 時間を達成する。主な結果として、この長さ制約下で Long LCFk 問題に対する初めての線形時間解法が得られた。

ABSTRACT

In the Longest Common Factor with k Mismatches (LCF_k) problem, we are given two strings X and Y of total length n, and we are asked to find a pair of maximal-length factors, one of X and the other of Y, such that their Hamming distance is at most k. Thankachan et al. [Thankachan et al. 2016] show that this problem can be solved in O(n log^k n) time and O(n) space for constant k. We consider the LCF_k(l) problem in which we assume that the sought factors have length at least l. We use difference covers to reduce the LCF_k(l) problem with l=Omega(log^{2k+2}n) to a task involving m=O(n/log^{k+1}n) synchronized factors. The latter can be solved in O(m log^{k+1}m) time, which results in a linear-time algorithm for LCF_k(l) with l=Omega(log^{2k+2}n). In general, our solution to the LCF_k(l) problem for arbitrary l takes O(n + n log^{k+1} n/sqrt{l}) time.

研究の動機と目的

• 結果の長さが少なくとも ℓ 以上に制約される場合に、最長共通因子に最大 k ミスマッチを許容する LCFk 問題を効率的に解くこと。
• ℓ = Ω(log²ᵏ⁺² n) という特殊な場合に、Long LCFk 問題の線形時間アルゴリズムを開発すること。
• 任意の ℓ に対して LCFk(X, Y, ℓ) の時間計算量を改善し、定数 k の場合に O(n + n logᵏ⁺¹ n / √ℓ) にまで低減すること。
• 生物学的配列類似度の分野において、長さの長い近似要因と少数のミスマッチが意味を持つことを踏まえ、実用的かつ理論的に効率的な解決策を提供すること。

提案手法

• 差分カバーを用いて、LCFk(X, Y, ℓ) 問題を、X と Y の O(n / √ℓ) 個の同期位置における最大 k エラーを許容する共通接頭辞および接尾辞の特定に還元する。
• 圧縮トリーを用いて、最大 k ミスマッチを許容する部分文字列のすべての可能なバリエーションを表す k-完全な文字列族を構築する。
• 再帰的重みパス分解を適用し、LCPk および LCSk クエリを、変更された部分文字列上の標準的な LCP および LCS クエリに還元する。
• k-完全な家族を、エラー付加情報とハミング距離情報を保持する圧縮トリーとして表現する。
• 先行研究の彩色木技術を活用し、複数の文字列族に跨る LCP 値の効率的統合とクエリ処理を実現する。
• X, XR, Y, YR の共同サフィックス木上の LCA クエリを活用し、トリー構築中に部分文字列の定数時間比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 結果が ℓ = Ω(log²ᵏ⁺² n) 以上に制約される場合に、Longest Common Factor with k Mismatches 問題を線形時間で解けるか？
• RQ2 任意の ℓ に対して LCFk(X, Y, ℓ) の最適な時間計算量は何か？定数 k の場合に O(n logᵏ n) よりも改善可能か？
• RQ3 差分カバーと k-完全な家族を用いることで、長距離共通因子と k ミスマッチを検出可能なまま、候補部分文字列の数を削減できるか？
• RQ4 Strong Exponential Time Hypothesis 下で、LCFk の時間計算量を二次未塔未満に抑える方法はあるか？また、長さ制約 ℓ はこの点にどのように影響するか？
• RQ5 圧縮トリーと彩色木データ構造は、誤差耐性のある文字列族上での効率的 LCP クエリを実現するために果たす役割は何か？

主な発見

• ℓ ≥ ℓ₀ = 2^O(k) log²ᵏ⁺² n / k²ᵏ の場合、Long LCFk 問題は O(n) 時間で解ける。これは k = O(log n) の場合に成立する。
• 定数 k の場合、LCFk(X, Y, ℓ) 問題は O(n + n logᵏ⁺¹ n / √ℓ) 時間で解ける。これは従来の O(n logᵏ n) の境界を改善する。
• アルゴリズムは差分カバーを用いて候補位置の数を O(n / √ℓ) に削減し、効率的な処理を可能にする。
• k-完全な家族の構築は、圧縮トリーを用いて O(2ᵏ |F| logᵏ⁺¹ |F| / kᵏ⁺¹) 時間で行われる。ℓ = Ω(log²ᵏ⁺² n) の場合、これは n に対して準二次未塔未満となる。
• 長さ制約 ℓ = Ω(log²ᵏ⁺² n) を活用することで、関連する部分文字列の数が十分に少なくなって処理が効率的になるため、Long LCFk 問題は線形時間で解ける。
• この手法は実用的であり、長距離の近似一致と少数のミスマッチが意味を持つ生物学的分野において、配列類似度の指標として適用可能である。