[論文レビュー] String Reconstruction from Substring Compositions

Jayadev Acharya, Hirakendu Das+3 more|arXiv (Cornell University)|Mar 10, 2014

Algorithms and Data Compression参考文献 19被引用数 6

ひとこと要約

この論文は、バイナリ文字列の部分文字列構成（パリック・ベクトル）のマルチセットから元の文字列を再構成する問題を研究し、長さ7、素数から1を引いた値、または素数の2倍から1を引いた値である文字列は、反転を除いて一意に再構成可能であることを示している。2変数多項式因数分解に基づく代数的技法を用いて、等構成可能な文字列を特徴付け、誤認可能な文字列の数に対するタイトな上限を確立し、ターンパイプ問題の組合せ的単純化を解消した。

ABSTRACT

Motivated by mass-spectrometry protein sequencing, we consider a simply-stated problem of reconstructing a string from the multiset of its substring compositions. We show that all strings of length 7, one less than a prime, or one less than twice a prime, can be reconstructed uniquely up to reversal. For all other lengths we show that reconstruction is not always possible and provide sometimes-tight bounds on the largest number of strings with given substring compositions. The lower bounds are derived by combinatorial arguments and the upper bounds by algebraic considerations that precisely characterize the set of strings with the same substring compositions in terms of the factorization of bivariate polynomials. The problem can be viewed as a combinatorial simplification of the turnpike problem, and its solution may shed light on this long-standing problem as well. Using well known results on transience of multi-dimensional random walks, we also provide a reconstruction algorithm that reconstructs random strings over alphabets of size $\ge4$ in optimal near-quadratic time.

研究の動機と目的

• 部分文字列構成のマルチセットから文字列がいつ一意に再構成可能かという条件を調査すること。
• 2つの文字列が等構成可能（すなわち、同じ部分文字列構成のマルチセットを持つ）である条件を特徴付けすること。
• 同じ部分文字列構成マルチセットを持つ文字列の最大数を特定すること、特に先行研究でカバーされていない長さについて。
• 組合せ的および確率的技法を用いて、ランダムな文字列を効率的に再構成するためのアルゴリズムを開発すること。
• この問題と組合せ論における長年のターンパイプ問題との関係を探索すること。

提案手法

• 部分文字列構成を代数的にモデル化するため、文字列を2変数母関数多項式として表現する。
• 多項式因数分解を用いて等構成可能な文字列を特徴付け、同じ多項式の因数分解に対応することを示す。
• シロトミック多項式および代数的数論を用いて、誤認可能な文字列の数に対する上界を導出する。
• 部分文字列をねじり合わせる組合せ的構成を用いて、等構成可能な文字列の数に対する下界を生成する。
• 多次元ランダムウォークの遷移性に関する結果を活用し、アルファベットサイズ ≥4 のランダム文字列に対して近似的に最適な再構成アルゴリズムを設計する。
• 文字列再構成問題を、総長さ O(n²) のターンパイプに類似した問題に還元し、多項式時間での解法を可能にする。

実験結果

リサーチクエスチョン

• RQ1 どの長さの文字列について、部分文字列構成のマルチセットから反転を除いて常に一意に再構成可能か？
• RQ2 同じ部分文字列構成マルチセットを持つ異なる文字列の最大数は何か？
• RQ3 多項式因数分解などの代数的技法を用いて、すべての誤認可能な文字列を完全に特徴付けられるか？
• RQ4 生成多項式の構造は、文字列の組合せ的性質とどのように関係するか？
• RQ5 この問題の代数的構造を活用した効率的再構成アルゴリズムを設計できるか？

主な発見

• 長さ7、素数から1を引いた値、または素数の2倍から1を引いた値であるすべての文字列は、反転を除いて一意に再構成可能である。
• シロトミック多項式を用いて、等構成可能な文字列の最大数をタイトに束縛し、長さが素数のべきから1を引いた値、または素数のべきの2倍から1を引いた値である場合、下界がタイトであることが示された。
• ねじり合わせた文字列を用いた構成により、(n+1)log₃2 個の互いに等構成可能な n ビット文字列が得られる。
• アルファベットサイズ ≥4 のランダム文字列に対して、バックトラッキングアルゴリズムは高確率で近い二次時間で正しい文字列（反転を除く）を再構成する。
• アルファベットサイズ3の場合、解集合の期待長さは O(log n) で有界であり、確率 ≥1−δ で時間 O(n^(0.6/δ)) でアルゴリズムが実行される。
• この問題はターンパイプ問題の組合せ的単純化であり、その解法は元の問題の構造的洞察を提供する。