[논문 리뷰] An In-place Framework for Exact and Approximate Shortest Unique Substring Queries

Wing-Kai Hon, Sharma V. Thankachan외 1명|arXiv (Cornell University)|2015. 12. 01.

Algorithms and Data Compression참고 문헌 8인용 수 7

한 줄 요약

이 논문은 문자열의 각 위치에 대해 정확한 및 근사적(k-미스매치) 최단 유일 부분문자열(SUS)을 계산하기 위한 인-플레이스 프레임워크를 제시한다. 정확한 SUS의 경우 O(n) 시간, 근사적 SUS의 경우 O(n²) 시간을 달성하며, 오직 2n 단어와 n 바이트만을 사용하여 공간 효율적이며 압축된 자료구조를 사용하지 않아 실용적이다.

ABSTRACT

We revisit the exact shortest unique substring (SUS) finding problem, and propose its approximate version where mismatches are allowed, due to its applications in subfields such as computational biology. We design a generic in-place framework that fits to solve both the exact and approximate $k$-mismatch SUS finding, using the minimum $2n$ memory words plus $n$ bytes space, where $n$ is the input string size. By using the in-place framework, we can find the exact and approximate $k$-mismatch SUS for every string position using a total of $O(n)$ and $O(n^2)$ time, respectively, regardless of the value of $k$. Our framework does not involve any compressed or succinct data structures and thus is practical and easy to implement.

연구 동기 및 목표

• 생물정보학 및 문서 검색과 같은 응용 분야에서 최단 유일 부분문자열(SUS)을 효율적으로 계산할 필요를 해결하기 위해.
• 정확한 SUS 문제를 k개의 미스매치를 允허하는 근사적 버전으로 확장하여 유전자 서열 분석에서의 적용 가능성을 높이기 위해.
• 압축 또는 압축된 자료구조에 의존하지 않고 최소한의 메모리(2n 단어 + n 바이트)를 사용하는 실용적인 인-플레이스 알고리즘을 설계하기 위해.
• 최적의 시간 복잡도를 달성하기 위해: 정확한 SUS의 경우 O(n), 근사적 k-미스매치 SUS의 경우 O(n²)이며, 이는 k의 값과 무관하게 유지된다.
• 실제 문자열 처리 작업에 적합하고 구현이 쉬운 프레임워크를 제공하기 위해.

제안 방법

• 프레임워크는 두 개의 보조 배열 A와 B를 사용하며, 초기에는 각각 왼쪽 끝에서의 최단 유일 부분문자열(Leftmost SUS, LSUS)과 그 끝 위치를 저장한다.
• 배열 B를 오른쪽에서 왼쪽으로 스캔하여 각 위치에 대한 오른쪽 끝에서의 왼쪽 끝 최단 유일 부분문자열(SLSUS)을 계산하고, B를 SLSUS의 끝 위치로 덮어쓰며 갱신한다.
• 그 후, 왼쪽에서 오른쪽으로의 한 번의 통과를 통해 각 위치 i에 대해 최종 SUS를 계산하며, 이전 SUS와 현재 SLSUS를 기반으로 동적 갱신을 수행한다.
• 각 위치 i에 대해, SLSUS가 존재하고 이전 SUS를 연장한 결과보다 짧은 경우 SLSUS를 선택하고, 그렇지 않으면 이전 SUS를 S[i]로 연장한다.
• 알고리즘은 k-미스매치 유일성과 부분문자열 커버리지의 성질을 활용하여, 오직 인-플레이스 배열 수정만으로도 정확성을 보장한다.
• 프레임워크는 어떠한 압축된 자료구조도 사용하지 않으며, 입력 문자열과 두 개의 정수 배열 위에서 직접 작동하여 공간과 메모리 접근을 최소화한다.

실험 결과

연구 질문

• RQ1 인-플레이스 알고리즘이 문자열의 모든 위치에 대해 정확한 및 근사적(k-미스매치) 최단 유일 부분문자열을 효율적으로 계산할 수 있는가?
• RQ2 실용성과 정확성을 유지하면서 k-미스매치 SUS 문제를 해결하기 위한 최소 공간 요구량은 무엇인가?
• RQ3 근사적 SUS의 경우 시간 복잡도를 k의 값과 무관하게 유지할 수 있는가?
• RQ4 압축된 자료구조를 피하면서도 최적의 시간 및 공간 효율성을 달성할 수 있는 프레임워크를 설계할 수 있는가?
• RQ5 동일한 알고리즘 아키텍처를 정확한 및 근사적 SUS 계산에 모두 재사용할 수 있는가? (최소한의 수정으로)

주요 결과

• 제안된 인-플레이스 프레임워크는 오직 2n 단어와 n 바이트만을 사용하며, 이는 n개의 SUS와 원본 문자열을 저장하기 위해 필요한 최소 공간이다.
• 정확한 SUS(k=0)의 경우 알고리즘은 O(n) 시간에 실행되며, 이는 이전의 O(n²) 솔루션에 비해 크게 향상된 성능이다.
• k≥1인 근사적 k-미스매치 SUS의 경우 알고리즘은 k의 값과 무관하게 O(n²) 시간에 실행된다.
• 프레임워크는 압축 또는 압축된 자료구조에 의존하지 않아 실용적이고 구현이 용이하다.
• 알고리즘은 배열 A와 B에서 시작 및 끝 위치를 동적으로 유지하고 갱신함으로써 각 위치에 대한 오른쪽 끝 SUS를 정확히 계산한다.
• 해결책은 일반적이며, 간단한 타이브레이킹 규칙 수정만으로 왼쪽 끝 또는 오른쪽 끝 SUS를 찾는 데에도 적용 가능하다.