[논문 리뷰] On Longest Repeat Queries

Atalay Mert İleri, M. Oğuzhan Külekci외 1명|arXiv (Cornell University)|2015. 01. 26.

Algorithms and Data Compression인용 수 1

한 줄 요약

이 논문은 접두사 배열, 랭크 배열, LCP 배열을 활용하여 모든 비단일성 위치를 커버하는 왼쪽에 있는 가장 긴 반복문자열(LR)을 계산하기 위한 최적의 O(n) 시간 및 공간 알고리즘을 제안한다. 이는 반복문자열에 대한 '자르기' 쿼리를 효율적으로 처리하기 위해 고안된 새로운 이중 테이블 시스템을 사용한다. 이 방법은 선형 시간 내에 모든 가장 긴 반복문자열 쿼리를 처리할 수 있도록 하며, 계산 생물학 및 문자열 분석 응용 분야에서 강력한 도구를 제공한다.

ABSTRACT

Repeat finding in strings has important applications in subfields such as computational biology. Surprisingly, all prior work on repeat finding did not consider the constraint on the locality of repeats. In this paper, we propose and study the problem of finding longest repetitive substrings covering particular string positions. We propose an $O(n)$ time and space algorithm for finding the longest repeat covering every position of a string of size $n$. Our work is optimal since the reading and the storage of an input string of size $n$ takes $O(n)$ time and space. Because any substring of a repeat is also a repeat, our solution to longest repeat queries effectively provides a "stabbing" tool for practitioners for finding most of the repeats that cover particular string positions.

연구 동기 및 목표

• 기존 연구의 격차를 메우기 위해 특정 문자열 위치를 커버하는 반복문자열을 고려하는 국소성 인식 반복문자열 찾기 문제를 제안한다.
• 모든 비단일성 문자열 위치에 대해 왼쪽에 있는 가장 긴 반복문자열(LR)을 계산하는 효율적인 알고리즘을 설계한다.
• 입력 읽기 및 저장 비용과 동일한 최적의 O(n) 시간 및 공간 복잡도를 달성한다.
• 유전체학적 또는 문자열 위치를 커버하는 모든 반복문자열을 발견할 수 있는 실용적인 '자르기' 도구를 생물학자 및 데이터 과학자에게 제공한다.

제안 방법

• 기존의 선형 시간 알고리즘을 사용하여 입력 문자열로부터 접두사 배열(SA), 랭크 배열(Rank), LCP 배열을 O(n) 시간 내에 구성한다.
• 레마 2.1를 사용하여 각 위치 i에 대한 왼쪽으로 끝나는 가장 긴 반복문자열(LLR)을 계산한다: LLRi = S[i...i + Li −1]이며, Li = max{LCP[Rank[i]], LCP[Rank[i]+1]} (Li > 0 이면).
• 길이 기준 내림차순으로 LLR 배열을 안정적이고 선형 시간의 계수 정렬을 사용하여 정렬한다.
• 각 LLR가 커버하는 위치의 구간을 유지하기 위해 이중 테이블 시스템(ptr 및 next 배열)을 활용하여 효율적인 범위 쿼리 및 업데이트를 가능하게 한다.
• 정렬된 순서로 각 LLR을 처리하며, 이중 테이블 시스템을 사용해 해당 구간 내 모든 위치에 왼쪽에 있는 가장 긴 반복문자열을 전파하고, 모든 위치가 커버되었을 경우 조기 종료한다.
• 각 요소에 대해 O(1) 업데이트를 수행하는 단일 패assing을 통해 이중 테이블 시스템을 유지하며, 총 O(n) 시간 복잡도를 보장한다.

실험 결과

연구 질문

• RQ1 최대 또는 초최대 반복문자열 외에도 특정 문자열 위치를 커버하는 가장 긴 반복문자열을 효율적으로 계산할 수 있는가?
• RQ2 이 국소화된 가장 긴 반복문자열 쿼리 문제에 대해 선형 시간 및 공간 알고리즘을 설계할 수 있는가?
• RQ3 주어진 위치를 커버하는 모든 반복문자열을 찾는 데 사용할 수 있는 실용적인 데이터 구조를 제공할 수 있는가?
• RQ4 접두사 배열과 LCP 배열을 어떻게 활용하여 이 새로운 유형의 쿼리에 대해 최적의 성능을 달성할 수 있는가?
• RQ5 가장 긴 반복문자열의 효율적 범위 전파를 지원하기 위해 필요한 최소한의 데이터 구조 오버헤드는 무엇인가?

주요 결과

• 제안된 알고리즘은 O(n) 시간 및 공간 내에서 모든 비단일성 문자열 위치에 대해 왼쪽에 있는 가장 긴 반복문자열을 계산하여 최적의 복잡도를 달성한다.
• 이중 테이블 시스템은 O(1) 평균 비용의 업데이트를 통해 효율적인 범위 관리 및 반복문자열 정보 전파를 가능하게 한다.
• 다중 겹치는 반복문자열이 한 위치에 존재하더라도, 알고리즘이 가장 긴 반복문자열에 의해 커버되는 모든 위치를 정확히 식별한다.
• 안정적이고 선형 시간 정렬의 사용은 길이 순서에 따라 LLR 구간을 처리할 때 정확성과 효율성을 보장한다.
• 이 방법은 효과적으로 각 위치에 대해 왼쪽에 있는 가장 긴 반복문자열을 계산함으로써 실용적인 '자르기' 쿼리—특정 위치를 커버하는 모든 반복문자열을 찾는 것—을 지원한다.
• 구현은 표준 문자열 데이터 구조(SA, Rank, LCP)에 기반하여 기존 생물정보학 파이프라인과 호환되며, 구현 및 배포가 효율적이다.