[논문 리뷰] Systematic assessment of the expected length, variance and distribution of Longest Common Subsequences

Kang Ning, Kwok Pui Choi|arXiv (Cornell University)|2013. 06. 18.

Algorithms and Data Compression참고 문헌 10인용 수 3

한 줄 요약

이 논문은 다중 시퀀스, 비균일 알파벳 분포, 대규모 알파벳을 고려한 Longest Common Subsequence(LCS)의 기대 길이, 분산, 분포에 대한 체계적인 몬테카를로 시뮬레이션 연구를 제시한다. Chvátal-Sankoff 상수 γ₂에 대한 이론적 경계를 확인하고, 분산이 시퀀스 길이에 따라 선형적으로 증가함을 밝혀내며, 히우리스틱 LCS 알고리즘을 벤치마킹하여 Deposition and Extension 알고리즘이 가장 뛰어난 성능 비율을 보이며, 최적 LCS 길이 대비 5–10% 짧은 결과를 도출한다.

ABSTRACT

The Longest Common Subsequence (LCS) problem is a very important problem in math- ematics, which has a broad application in scheduling problems, physics and bioinformatics. It is known that the given two random sequences of infinite lengths, the expected length of LCS will be a constant. however, the value of this constant is not yet known. Moreover, the variance distribution of LCS length is also not fully understood. The problem becomes more difficult when there are (a) multiple sequences, (b) sequences with non-even distribution of alphabets and (c) large alphabets. This work focus on these more complicated issues. We have systematically analyze the expected length, variance and distribution of LCS based on extensive Monte Carlo simulation. The results on expected length are consistent with currently proved theoretical results, and the analysis on variance and distribution provide further insights into the problem.

연구 동기 및 목표

• 다중 시퀀스, 비균일 알파벳 분포, 대규모 알파벳과 같은 복잡한 설정에서 LCS 기대 길이, 분산, 분포에 대한 체계적 실증 분 析의 부족을 보완한다.
• 이론적으로 잘 알려진 이진 경우를 초월하여 i > 2 및 q > 2인 경우에 대해 Chvátal-Sankoff 상수 γᵢ에 대한 시뮬레이션 기반 추정치와 경계를 제공한다.
• LCS 분산의 증가율을 평가하여, 분산이 시퀀스 길이 n에 따라 선형적으로 증가하는지 여부를 해결하는 데 목적이 있다.
• 시스템적 시뮬레이션 결과를 기반으로 히우리스틱 LCS 알고리즘의 벤치마크를 수립하여 성능 비율을 평가한다.
• Long Run, Greedy, Tournament, Deposition and Extension를 포함한 최신 히우리스틱 알고리즘의 성능을 시뮬레이션 및 실제 데이터셋에서 검증하고 비교한다.

제안 방법

• 다양한 시퀀스 구성에서 기대 LCS 길이, 분산, 분포를 추정하기 위해 광범위한 몬테카를로 시뮬레이션을 수행한다.
• 유한 상태 오토마타와 마르코프 체인 모델링을 활용하여, 오토마타에 931개 상태가 포함된 바탕으로 γ₂에 대한 이론적 하한을 계산한다.
• 정확한 계산이 불가능한 경우, 대표적 시퀀스에 대해 동적 프로그래밍을 적용하여 LCS 길이의 상한을 계산한다.
• Long Run, Greedy, Tournament, Deposition and Extension의 네 가지 히우리스틱 알고리즘을 구현하고 평가하며, 시간 및 공간 복잡도 분석을 수행한다.
• 알고리즘 효율성과 정확도를 비교하기 위해 성능 비율(히우리스틱 LCS 길이 / 최적 LCS 길이)을 핵심 지표로 사용한다.
• 비균일 알파벳 확률과 대규모 알파벳을 고려하여, 계산 복잡도를 줄이기 위해 알파벳 빈도 기반의 시퀀스 서브셋 선택을 적용한다.

실험 결과

연구 질문

• RQ1 크기 q > 2인 알파벳에서 다중 시퀀스(i > 2)에 대한 LCS의 기대 길이는 얼마이며, 이는 이론적 경계와 어떻게 비교되는가?
• RQ2 LCS 길이의 분산은 시퀀스 길이 n과 함께 어떻게 증가하는가? 선형 스케일링 패턴을 따르는가?
• RQ3 비균일 알파벳 분포 및 대규모 알파벳 크기 조건에서 LCS 길이의 분포는 어떠한가?
• RQ4 다양한 시퀀스 구성 조건에서 히우리스틱 LCS 알고리즘은 최적 LCS 길이에 비해 어떻게 성능을 발휘하는가?
• RQ5 Deposition and Extension 알고리즘의 성능 비율은 시뮬레이션 및 실제 데이터셋에서 다른 히우리스틱들에 비해 어떻게 되는가?

주요 결과

• 이진 시퀀스 두 개에 대한 기대 LCS 길이는 γ₂로 수렴하며, 시뮬레이션 결과는 이론적 하한 및 상한과 일치하여 γ₂ ∈ [0.773911, 0.837623]임을 지지한다.
• LCS 길이의 분산은 시퀀스 길이 n에 따라 선형적으로 증가하며, 이는 이전의 추측(분산이 o(n²/³)일 것이라는 것)을 반박하고, Var(|LCS|) > cn를 만족하는 양의 상수 c가 존재함을 뒷받침한다.
• 다중 시퀀스 및 비균일 알파벳 분포 조건에서는 기대 LCS 길이가 크게 변동하며, 일반적인 경향성이 없어 시퀀스 및 알파벳 구성에 강하게 의존함을 시사한다.
• Deposition and Extension 알고리즘이 히우리스틱 중에서 가장 뛰어난 성능 비율을 기록하여, 평균적으로 최적 길이의 5–10% 이내의 LCS 길이를 생성한다.
• Long Run 알고리즘이 두 번째로 우수한 성능을 보였으며, Greedy 및 Tournament 알고리즘은 시퀀스 수가 증가할수록 특히 성능이 열 劣하다.
• 대규모 알파벳 또는 긴 시퀀스에서의 확장 가능한 추정을 가능하게 하기 위해, 빈도 기반 대표 시퀀스에 대해 동적 프로그래밍을 활용하여 LCS 길이의 상한을 계산하였다.