[論文レビュー] String comparison by transposition networks

Peter Krusche, Alexander Tiskin|ArXiv.org|Mar 20, 2009

Algorithms and Data Compression参考文献 37被引用数 4

ひとこと要約

この論文は、半局所的文字列比較のための新しい転送ネットワークフレームワークを導入し、最長共通部分列（LCS）および編集距離の既存のアルゴリズムを統合・改善する。文字列アラインメントを0-1転送ネットワークとしてモデル化することで、すべての部分文字列におけるLCSの効率的計算が可能となり、半局所的比較においてO(np)の時間計算量を達成する。この手法は、スパースで類似度が極めて高い・低い、およびランレングス圧縮された文字列に応用可能である。

ABSTRACT

Computing string or sequence alignments is a classical method of comparing strings and has applications in many areas of computing, such as signal processing and bioinformatics. Semi-local string alignment is a recent generalisation of this method, in which the alignment of a given string and all substrings of another string are computed simultaneously at no additional asymptotic cost. In this paper, we show that there is a close connection between semi-local string alignment and a certain class of traditional comparison networks known as transposition networks. The transposition network approach can be used to represent different string comparison algorithms in a unified form, and in some cases provides generalisations or improvements on existing algorithms. This approach allows us to obtain new algorithms for sparse semi-local string comparison and for comparison of highly similar and highly dissimilar strings, as well as of run-length compressed strings. We conclude that the transposition network method is a very general and flexible way of understanding and improving different string comparison algorithms, as well as their efficient implementation.

研究の動機と目的

• 転送ネットワークを用いて、既存の文字列比較アルゴリズムを統一・一般化すること。
• スパースな半局所的文字列比較に適した効率的アルゴリズムを開発すること、ここで関心のある部分文字列は部分集合に限られる。
• 転送ネットワークの構造的性質を活用して、極めて類似度が高くまたは極めて類似度が低い文字列の効率的比較を可能にすること。
• ランレングス圧縮された文字列の半局所的比較を可能にし、解凍なしで計算時間を短縮すること。
• 半局所的アラインメントにおける最高得点行列の暗黙的表現を可能にする、柔軟でメモリ効率の良いフレームワークを提供すること。

提案手法

• 文字列のアラインメントを、入力が文字列の文字を表し、コンパレータが潜在的な一致を表す0-1転送ネットワークとしてモデル化する。
• 転送ネットワーク内の1-0境界の伝播を用いて、アラインメントDAGにおける支配的マッチングと等高線を特定する。
• 転送ネットワークの挙動から導かれる臨界点と等高線を用いて、最高得点行列を暗黙的に表現する。
• 等高線と反対対角線の交点を計算することで、LCS長の変化を追跡し、関連する位置にのみ比較を制限する。
• 非自明な比較は等高線に沿ってのみ発生することを活用し、各等高線に対して線形時間で処理可能である。
• スパースで類似度が極めて高い・低い、およびランレングス圧縮された文字列に対して、支配的マッチングと等高線構造に焦点を当てることで、この手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 転送ネットワークは、文字列比較アルゴリズムの理解と改善を統合するフレームワークを提供できるか？
• RQ2 転送ネットワークを用いて、半局所的文字列比較のための準平方時間計算量を達成できるか？
• RQ3 支配的マッチングのみを考慮する場合、半局所的LCS計算の計算量的複雑度はいかほどか？
• RQ4 転送ネットワークアプローチは、ランレングス圧縮された文字列を効率的に比較するために拡張可能か？
• RQ5 構造的スパarsityを活用することで、この手法は極めて類似度が高い・低い文字列の比較において、性能をどのように向上させるか？

主な発見

• 転送ネットワークモデルにより、標準的および半局所的LCSを含むさまざまな文字列比較アルゴリズムの統一的表現が可能になった。
• 半局所的文字列比較は、文字列長nとLCS長pを用いてO(np)時間で計算可能であり、既知の最良の計算量と一致する。
• 支配的マッチングと等高線に焦点を当てることで、不要な計算を削減し、スパースな半局所的比較を効率的に行えるようになった。
• 極めて類似度が高い・低い文字列に対しては、構造的スパarsityを活用することで、最適なパフォーマンスを維持できるようになった。
• ランレングス圧縮された文字列は、解凍なしでO(np)時間で半局所的に比較可能であり、効率性が保たれた。
• 臨界点と等高線を転送ネットワーク挙動から導出したことで、最高得点行列の暗黙的でメモリ効率の良い表現が可能になった。