[論文レビュー] Simulations, Computations, and Statistics for Longest Common Subsequences

Qingqing Liu, Christian Houdré|arXiv (Cornell University)|May 18, 2017

Algorithms and Data Compression参考文献 9被引用数 3

ひとこと要約

本稿では、ランダムな二進列における最長共通部分列（LCS）長の平均および分散を推定するためのモンテカルロシミュレーションフレームワークを開発し、系列類似性の仮説検定手法を可能にする。複数の系列に対して、Chvátal–Sankoff定数の新たな理論的上限を導出し、二進アルファベットを用いた2〜10個までの系列に対して、既存の結果を改善した。上限値はm=2のとき0.8666からm=10のとき0.6488へと減少する。

ABSTRACT

The length of the longest common subsequences (LCSs) is often used as a similarity measurement to compare two (or more) random words. Below we study its statistical behavior in mean and variance using a Monte-Carlo approach from which we then develop a hypothesis testing method for sequences similarity. Finally, theoretical upper bounds are obtained for the Chvátal-Sankoff constant of multiple sequences.

研究の動機と目的

• ランダムな二進系列におけるLCS長の平均および分散を推定するモンテカルロベースの手法を開発すること。
• LCSスコアに基づいて、系列類似性の統計的有意性を評価するための仮説検定フレームワークを構築すること。
• 組合せ論的および確率論的技法を用いて、古典的な二系列結果をm ≥ 2の複数系列へと拡張すること。
• 特に二進アルファベットの場合に、多系列ケースにおけるChvátal–Sankoff定数の新たな理論的上限を導出すること。
• バイオインフォマティクスおよび系列解析における実用的応用を想定し、LCS分布の計算可能な近似を提供すること。

提案手法

• i.i.d.なランダム二進系列（長さn）におけるLCS長の平均および分散を、モンテカルロシミュレーションにより経験的に推定する。
• s(a,b) = 1（a=bのとき）、0（それ以外）のアラインメントスコア関数とゼロギャップペナルティを用い、LCSを最適アラインメントスコアとして定義する。
• スターリングの近似および組合せ論的境界を用いて、系列長当たりの期待LCS長に対する漸近的上限を導出する。
• 確率がLCSがθnを超える確率の減衰率を特徴付ける関数H_k(θ) = [k^{(θ/m)-1}(k-1)^{1-θ}] / [θ^θ(1-θ)^{1-θ}]を導入する。
• H_k(θ) = 1を[1/k, 1)における一意の解V_kとして定義し、これはChvátal–Sankoff定数γ_{k,m}^*の上限として機能する。
• 不等式h_k^{(n)} ≤ (H_k(θ))^{mn}を用いて、LCS ≥ ℓ = θnを満たすmタプルの割合を上限づけ、lim sup E[LC_n]/n ≤ V_kという上限を導出する。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロシミュレーションを用いて推定される有限長のランダム二進系列におけるLCS長の経験的平均および分散は何か？
• RQ2 LCSスコアをどのように用いることで、二つの系列が有意に類似しているかどうかを判定する有効な仮説検定を構築できるか？
• RQ3 有限アルファベット上でm ≥ 2のランダム系列を比較する際のChvátal–Sankoff定数の理論的上限は何か？
• RQ4 特に二進アルファベットの場合に、複数系列におけるChvátal–Sankoff定数の上限は、既存の結果と比較してどうなるか？
• RQ5 二系列用に開発された手法を複数系列へと拡張することで、漸近的LCS成長率のより厳密またはより一般的な上限を導出できるか？

主な発見

• 本稿では、二進アルファベット上でのm系列に対するChvátal–Sankoff定数γ_{2,m}^*が、H_2(θ) = 1を満たす[1/2, 1)内の一意の解V_2により上から抑えられることを確立した。
• m=2の場合、上限値は0.866595であり、以前の上限値を改善し、既知の下限値0.781281との差を縮小した。
• m=10の場合、上限値は0.648819であり、mが増加するにつれて上限値が単調に減少する傾向を示しており、理論的期待と整合的である。
• m ≥ 4の場合、解析的計算が複雑になる状況においても、本手法は従来の手法よりもより緊密な上限を提供した。
• シミュレートされたLCS分布に基づく仮説検定フレームワークは、広範なモンテカルロ実験を通じて妥当性が検証され、系列類似性に関する統計的推論を可能にした。
• 理論的分析により、θ > V_kのとき、LCS ≥ θnを満たすmタプルの割合が指数関数的に減少することが確認され、V_kがLCSの漸近的成長率の鋭い上限として適切であることが裏付けられた。