[논문 리뷰] Linear-Time Algorithm for Long LCF with $k$ Mismatches

Panagiotis Charalampopoulos, Maxime Crochemore외 6명|arXiv (Cornell University)|2018. 01. 01.

Algorithms and Data Compression참고 문헌 11인용 수 4

한 줄 요약

이 논문은 길이가 적어도 ℓ = Ω(log²ᵏ⁺² n) 이상인 경우, 최대 k개의 불일치를 허용하는 두 문자열 간의 가장 긴 공통 부분문자열을 찾는 Long LCFk 문제에 대해 선형 시간 알고리즘을 제시한다. 차이 커버와 k-완전 가족의 압축 트리를 활용하여 문제를 동기화된 부분문자열에서의 다수의 LCP 쿼리로 환원함으로써, ℓ ≥ ℓ₀일 경우 O(n) 시간, 일반적인 ℓ일 경우 O(n + n logᵏ⁺¹ n / √ℓ) 시간을 달성한다. 주요 결과는 이 길이 제약 조건 하에서 Long LCFk 문제에 대한 최초의 선형 시간 해법을 제공한다는 것이다.

ABSTRACT

In the Longest Common Factor with k Mismatches (LCF_k) problem, we are given two strings X and Y of total length n, and we are asked to find a pair of maximal-length factors, one of X and the other of Y, such that their Hamming distance is at most k. Thankachan et al. [Thankachan et al. 2016] show that this problem can be solved in O(n log^k n) time and O(n) space for constant k. We consider the LCF_k(l) problem in which we assume that the sought factors have length at least l. We use difference covers to reduce the LCF_k(l) problem with l=Omega(log^{2k+2}n) to a task involving m=O(n/log^{k+1}n) synchronized factors. The latter can be solved in O(m log^{k+1}m) time, which results in a linear-time algorithm for LCF_k(l) with l=Omega(log^{2k+2}n). In general, our solution to the LCF_k(l) problem for arbitrary l takes O(n + n log^{k+1} n/sqrt{l}) time.

연구 동기 및 목표

• 결과 길이가 최소 ℓ 이상이어야 하는 조건에서 가장 긴 공통 부분문자열 문제를 최대 k개의 불일치를 허용하여 효율적으로 해결하는 것.
• ℓ = Ω(log²ᵏ⁺² n)인 특수 케이스에서 Long LCFk 문제에 대해 선형 시간 알고리즘을 개발하는 것.
• 임의의 ℓ에 대해 LCFk(X, Y, ℓ)의 시간 복잡도를 개선하여, 상수 k에 대해 O(n + n logᵏ⁺¹ n / √ℓ)로 감소시키는 것.
• 생물정보학에서 긴 근사적 요소 간의 유사성을 의미하는, 소수의 불일치를 가진 장기적 공통 부분문자열을 고려할 때 실용적이고 이론적으로 효율적인 해법을 제공하는 것.

제안 방법

• 차이 커버를 사용하여 LCFk(X, Y, ℓ) 문제를 X와 Y의 O(n / √ℓ)개의 동기화된 위치에서 최대 k개의 오류가 있는 가장 긴 공통 접두사 및 접미사 찾기 문제로 환원한다.
• 압축 트리를 활용해 최대 k개의 불일치를 가진 부분문자열의 모든 가능한 변형을 표현하는 k-완전 가족을 구성한다.
• 재귀적 무거운 경로 분할을 적용하여 LCPk 및 LCSk 쿼리를 수정된 부분문자열에서 표준 LCP 및 LCS 쿼리로 환원한다.
• k-완전 가족을 오류 표시와 해밍 거리 정보를 포함한 문자열을 저장하는 압축 트리로 표현한다.
• 이전 연구에서 제안된 색상이 있는 트리 기법을 활용하여 다수의 문자열 가족 간의 LCP 값들을 효율적으로 병합하고 쿼리한다.
• X, XR, Y, YR의 공동 접미사 트리에서 LCA 쿼리를 사용하여 트리 구축 중 부분문자열 비교를 상수 시간에 수행할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 결과 길이가 ℓ = Ω(log²ᵏ⁺² n) 이상이어야 하는 조건에서 Longest Common Factor with k Mismatches 문제를 선형 시간에 해결할 수 있는가?
• RQ2 임의의 ℓ에 대해 LCFk(X, Y, ℓ)의 최적 시간 복잡도는 무엇이며, 상수 k에 대해 O(n logᵏ n) 이론을 초월해 개선할 수 있는가?
• RQ3 차이 커버와 k-완전 가족을 어떻게 활용하여 후보 부분문자열의 수를 줄이면서도 최대 k개의 불일치를 가진 장기적 공통 부분문자열을 탐지할 수 있는가?
• RQ4 Strong Exponential Time Hypothesis 하에서 LCFk에 대해 비제곱 시간 복잡도를 달성할 수 있는가? 그리고 길이 제약 조건 ℓ는 이에 어떤 영향을 미치는가?
• RQ5 압축 트리와 색상이 있는 트리 데이터 구조는 오류 내성 있는 문자열 가족에서 효율적인 LCP 쿼리를 가능하게 하는 데 어떤 역할을 하는가?

주요 결과

• ℓ ≥ ℓ₀ = 2^O(k) log²ᵏ⁺² n / k²ᵏ일 경우 Long LCFk 문제는 O(n) 시간에 해결 가능하며, 이는 k = O(log n)일 때 성립한다.
• 상수 k에 대해 LCFk(X, Y, ℓ) 문제는 O(n + n logᵏ⁺¹ n / √ℓ) 시간에 해결 가능하며, 이는 이전의 O(n logᵏ n) 기준보다 향상된 것이다.
• 알고리즘은 후보 위치 수를 O(n / √ℓ)로 줄이는 데 차이 커버를 활용하여 효율적인 처리를 가능하게 한다.
• 압축 트리를 통한 k-완전 가족의 구성은 O(2ᵏ |F| logᵏ⁺¹ |F| / kᵏ⁺¹) 시간이 소요되며, 이는 ℓ = Ω(log²ᵏ⁺² n)일 경우 n에 대해 비제곱 시간 이하이다.
• 길이 제약 조건 ℓ = Ω(log²ᵏ⁺² n)을 활용함으로써, 관련 부분문자열의 수가 충분히 적어 효율적으로 처리될 수 있어 Long LCFk 문제에 대해 선형 시간을 달성한다.
• 이 방법은 생물정보학에 실용적으로 적용 가능하며, 소수의 불일치를 가진 장기적 근사적 일치는 시퀀스 유사성의 의미 있는 지표로 간주된다.