[論文レビュー] Substring Range Reporting

Philip Bille, Inge Li Goertz|arXiv (Cornell University)|Aug 18, 2011

Algorithms and Data Compression被引用数 13

ひとこと要約

本稿では、位置制限付き部分文字列検索やギャップベースのインデキシングといった問題を、単一の問題に還元することで、範囲報告を伴う文字列インデキシングの統合的フレームワーク「部分文字列範囲報告」を導入する。本稿は、後退木と範囲報告データ構造を新規に組み合わせることで、$O(n\log^{O(1)}n)$ の空間で $O(m + \mathrm{occ})$ の最適なクエリ時間の達成を実現し、複数の文字列インデキシングの変種における従来の時間-空間トレードオフを顕著に改善する。

ABSTRACT

We revisit various string indexing problems with range reporting features, namely, position-restricted substring searching, indexing substrings with gaps, and indexing substrings with intervals. We obtain the following main results. {itemize} We give efficient reductions for each of the above problems to a new problem, which we call \emph{substring range reporting}. Hence, we unify the previous work by showing that we may restrict our attention to a single problem rather than studying each of the above problems individually. We show how to solve substring range reporting with optimal query time and little space. Combined with our reductions this leads to significantly improved time-space trade-offs for the above problems. In particular, for each problem we obtain the first solutions with optimal time query and $O(n\log^{O(1)} n)$ space, where $n$ is the length of the indexed string. We show that our techniques for substring range reporting generalize to \emph{substring range counting} and \emph{substring range emptiness} variants. We also obtain non-trivial time-space trade-offs for these problems. {itemize} Our bounds for substring range reporting are based on a novel combination of suffix trees and range reporting data structures. The reductions are simple and general and may apply to other combinations of string indexing with range reporting.

研究の動機と目的

• 範囲報告機能を備えた拡張文字列インデキシング問題における最適な時間-空間トレードオフの欠如に対処する。
• 位置制限付き部分文字列検索、ギャップベースの部分文字列インデキシング、区間ベースのインデキシングといった異なる問題を、単一の抽象化である部分文字列範囲報告の下に統合する。
• 部分文字列範囲報告に対して、$O(m + \mathrm{occ})$ の最適クエリ時間と $O(n\log^{O(1)}n)$ の空間を満たすデータ構造を開発する。
• 部分文字列範囲カウントおよび空集合判定の変種への一般化を図り、非自明な時間-空間トレードオフを達成する。
• さまざまな文字列インデキシング問題から部分文字列範囲報告への単純で一般的な還元を提供し、コア技術の広範な適用可能性を実現する。

提案手法

• 部分文字列範囲報告を統合的問題として導入：与えられた範囲 $[a,b]$ 内のラベルを持つ位置における、パターン $P$ のすべての開始位置を報告する。
• パターンマッチングのための後退木と2次元範囲報告データ構造を組み合わせ、クエリを効率的に処理する。
• 文字列の深さに基づいて後退木をトップ部とボトム部に分割し、空間とクエリ時間のバランスを取る。
• トップツリー内のノードには1次元範囲報告構造を、ボトムツリーには1つの2次元範囲報告構造を適用する。
• アルストラプらやチャンらの研究から得られる高度な範囲報告データ構造を活用し、最適なクエリ時間と非線形空間を達成する。
• 同じフレームワークを部分文字列範囲カウントおよび空集合判定に適用するため、下位の2次元データ構造をカウントおよび空集合判定操作に適応する。

実験結果

リサーチクエスチョン

• RQ1 さまざまな範囲報告を伴う文字列インデキシング問題を、単一の一般的な問題に統合することは可能か？
• RQ2 空間 $O(n\log^{O(1)}n)$ で、部分文字列範囲報告に対して最適な $O(m + \mathrm{occ})$ クエリ時間を達成することは可能か？
• RQ3 提案手法を部分文字列範囲カウントおよび空集合判定の変種に一般化することは可能か？
• RQ4 新しいフレームワークを用いた場合、部分文字列範囲カウントおよび空集合判定の実現可能な時間-空間トレードオフは何か？
• RQ5 特定の問題（例：位置制限付き部分文字列検索）から部分文字列範囲報告への還元が、単純かつ一般的であるか？

主な発見

• 本稿は、任意の $\varepsilon > 0$ に対して $O(n(\log^\varepsilon n + \log\log u))$ の空間で $O(m + \mathrm{occ})$ のクエリ時間を達成する部分文字列範囲報告のための新規データ構造を提示する。
• 位置制限付き部分文字列検索では、$O(n\log^\varepsilon n)$ の空間と $O(m + \mathrm{occ})$ のクエリ時間を達成し、従来の最適なクエリ時間に到達するには $\Omega(n^{1+\varepsilon})$ の空間を要する手法よりも改善されている。
• 部分文字列範囲カウントは、$O(n\log n / \log\log n)$ の空間と $O(m + \log\log u)$ のクエリ時間で解決され、クエリ時間から $\log n / \log\log n$ 項を除去する代わりに、空間要因に $\log n / \log\log n$ を追加している。
• 部分文字列範囲空集合判定は、$O(n\log\log u)$ の空間と $O(m)$ のクエリ時間で解決され、期待される事前処理時間 $O(n(\log n + \log^\delta u))$（任意の $\delta > 0$）で最適なクエリ時間を達成する。
• さまざまな文字列インデキシング問題から部分文字列範囲報告への還元は単純で一般的であり、コア技術の広範な適用可能性を実現している。
• このフレームワークは、後退木と高度な2次元範囲報告構造を組み合わせることで、非線形空間で最適なクエリパフォーマンスを達成できることを示しており、従来のアプローチが $\Omega(\log\log u)$ のクエリ時間または $\Omega(n^{1+\varepsilon})$ の空間を伴うという制限を克服している。