[論文レビュー] On Longest Repeat Queries

Atalay Mert İleri, M. Oğuzhan Külekci+1 more|arXiv (Cornell University)|Jan 26, 2015

Algorithms and Data Compression被引用数 1

ひとこと要約

この論文は、繰り返しの『スタービング』クエリを効率的に回答するための新しい二テーブルシステムを用いて、文字列の非単一位置をすべてカバーする左端の最長繰り返し（LR）を計算する、最適な O(n) 時間および空間のアルゴリズムを導入する。この手法は、接尾辞配列、ランク配列、LCP配列を活用し、最長繰り返しクエリをすべて線形時間で処理可能にし、計算生物学および文字列解析の応用分野における強力なツールを提供する。

ABSTRACT

Repeat finding in strings has important applications in subfields such as computational biology. Surprisingly, all prior work on repeat finding did not consider the constraint on the locality of repeats. In this paper, we propose and study the problem of finding longest repetitive substrings covering particular string positions. We propose an $O(n)$ time and space algorithm for finding the longest repeat covering every position of a string of size $n$. Our work is optimal since the reading and the storage of an input string of size $n$ takes $O(n)$ time and space. Because any substring of a repeat is also a repeat, our solution to longest repeat queries effectively provides a "stabbing" tool for practitioners for finding most of the repeats that cover particular string positions.

研究の動機と目的

• 先行研究のギャップを埋めるために、特定の文字列位置をカバーする繰り返しの局所的注意型発見問題を提示すること。
• すべての非単一文字列位置に対して左端の最長繰り返し（LR）を計算する効率的なアルゴリズムを設計すること。
• 入力の読み取りおよび保存コストと一致する最適な O(n) 時間および空間計算量を達成すること。
• 生物学者やデータサイエンティストが、与えられたゲノムまたは文字列位置をカバーするすべての繰り返しを発見できる実用的な『スタービング』ツールを提供すること。

提案手法

• 既知の線形時間アルゴリズムを用いて、入力文字列から接尾辞配列（SA）、ランク配列（Rank）、LCP配列を O(n) 時間で構築する。
• 補題 2.1 を用いて、各位置 i に対して左制限最長繰り返し（LLR）を計算する：LLRi = S[i...i + Li −1] で、Li = max{LCP[Rank[i]], LCP[Rank[i]+1]}（Li > 0 の場合）。
• 長さの降順に LLR 配列を整列するために、安定的で線形時間の計数ソートを用いる。
• 各 LLR がカバーする位置の区間を効率的に管理するための二テーブルシステム（ptr と next 配列）を採用し、範囲クエリと更新処理を効率化する。
• 整列済みの LLR を順次処理し、二テーブルシステムを用いてその区間内のすべての位置に左端の LR を伝搬する。すべての位置がカバーされた時点で早期終了を行う。
• 各要素に対して O(1) の更新を一回のパスで維持することで、二テーブルシステムを効率的に管理し、全体で O(n) 時間計算量を確保する。

実験結果

リサーチクエスチョン

• RQ1 最大またはスーパー最大の繰り返しを超えて、特定の文字列位置をカバーする最長繰り返しを効率的に計算することは可能か？
• RQ2 この局所化された最長繰り返しクエリ問題に対して、線形時間および線形空間のアルゴリズムを設計することは可能か？
• RQ3 与えられた位置をカバーするすべての繰り返しを発見できる実用的なデータ構造を提供することは可能か？
• RQ4 接尾辞配列と LCP 配列をどのように活用すれば、この新しいクエリタイプに対して最適なパフォーマンスを達成できるか？
• RQ5 最長繰り返しの効率的な範囲伝搬をサポートするために必要な最小限のデータ構造オーバーヘッドは何か？

主な発見

• 提案されたアルゴリズムは、すべての非単一文字列位置に対して O(n) 時間および空間で左端の最長繰り返しを計算し、最適な計算量を達成する。
• 二テーブルシステムにより、O(1) の均しコストで区間管理と繰り返し情報の伝搬が可能になる。
• 複数の重複する繰り返しがある位置であっても、最長繰り返しに含まれるすべての位置を正しく特定する。
• 安定的で線形時間のソートを用いることで、LLR の区間を長さの順に処理する際の正しさと効率性が保証される。
• 効果的に各位置の左端の LR を計算することで、実用的な『スタービング』クエリ（ある位置をカバーするすべての繰り返しを発見）をサポートする。
• 実装は標準的な文字列データ構造（SA、Rank、LCP）に基づいているため、既存のバイオインフォマティクスパイプラインと互換性があり、効率的な展開が可能である。