[논문 리뷰] Extensive Simulations for Longest Common Subsequences: Finite Size Scaling, a Cavity Solution, and Configuration Space properties

Jacques Boutet de Monvel|arXiv (Cornell University)|1998. 09. 21.

Algorithms and Data Compression참고 문헌 25인용 수 26

한 줄 요약

이 논문은 랜덤 문자열에 대한 최장 공통 부분수열(LCS) 문제에 대한 광범위한 몬테카를로 시뮬레이션을 제시하며, 유한 체적 스케일링 법칙을 도입하여 渐近 LCS 길이를 정확하게 외삽한다. 베르누이 매칭 모델에 대해 캐비티 유사 해석적 해를 도출하여 시뮬레이션과 뛰어난 일치를 보이며, 알파벳 크기 S가 증가함에 따라 랜덤 문자열 모델에 대한 강력한 근사치를 제공한다.

ABSTRACT

The Longest Common Subsequence (LCS) Problem asks for the longest sequence of (non-contiguous) matches between two given strings of characters. Using extensive Monte Carlo simulations, we find a finite size scaling law of the form E(L)/N =C + A/(N^1/2 ln N)+... for the mean LCS length of two random strings of size N over S letters. We provide precise estimates of C for S between 2 and 15. We consider also a related Bernoulli Matching model where the different entries of an N times M array are independently occupied with probability 1/S. In that case we find the expression of the limit of L(N,M)/N as N grows to infinity, as a function of r=M/N. This expression provides a very good approximation for the Random String model, which gets more and more accurate as S increases. The question of the ``universality class'' of the LCS problem is also considered. For the Bernoulli Matching model we find very good agreement with recent scaling predictions of Hwa and Lassig for Needleman-Wunsch sequence alignment. We find however that the variance of the LCS length has a different scaling different in the Random String model, suggesting that long-ranged correlations among the matches are relevant in this model. We finally study the ``ground state'' properties of this problem. We find in particular that the number of solutions typically grows exponentially with N, i.e. this system has a residual entropy at T=0. Also the overlap between two LCSs chosen at random is found to be self averaging and to aproach a definite value q(S)<1 as N grows.

연구 동기 및 목표

• 유한 체적 데이터에서 γS를 외삽하여 랜덤 문자열의 渐近 LCS 길이 상수 γS의 정밀도를 향상시키기.
• 랜덤 문자열 모델과 단순화된 베르누이 매칭 모델을 비교하여 LCS 문제의 보편성 클래스를 조사하기.
• 해 공간의 통계적 성질을 분석하기, 특히 최적 LCS의 수와 그들의 일반적인 오버랩을 포함하여.
• 장거리 상관관계가 LCS 길이의 분산 스케일링에 미치는 영향을 분석하고, 표준 퍼콜레이션 모델과 대조하기.

제안 방법

• 크기 N인 랜덤 문자열에 대해 대규모 몬테카를로 시뮬레이션을 수행하여 평균 LCS 길이 E(LN)를 추정하기.
• 유한 체적 스케일링 법칙 제안: E(LN)/N = γS + AS/(ln(N√N)) + ..., 유한-N 데이터에서 γS를 외삽하기.
• 매칭이 확률 1/S로 독립적으로 발생하는 N×N 행렬에서의 베르누이 매칭 모델 도입.
• 캐비티 유사 평균장 접근법을 적용하여 통과 시간 함수 γSB(r) = (2√(rS) - r - 1)/(S - 1)의 해석적 표현 유도.
• 해석적 γSB(r)를 시뮬레이션 결과와 비교하여 캐비티 방법의 정확도를 검증하고 평가하기.
• 최적 LCS의 수와 오버랩을 분석하여 해 공간의 구조와 자기 평균화 행동 평가하기.

실험 결과

연구 질문

• RQ1 랜덤 문자열에서 평균 LCS 길이의 유한 체적 스케일링 행동은 무엇이며, 이를 정확히 모델링하여 渐近 상수 γS의 추정치를 향상시킬 수 있는가?
• RQ2 베르누이 매칭 모델에 대한 캐비티 유사 해석적 해는 더 복잡한 랜덤 문자열 모델의 LCS 행동을 얼마나 정확히 근사하는가?
• RQ3 LCS 문제는 방향성 폴리머 또는 최초 통과 퍼콜레이션과 같은 동일한 보편성 클래스에 속하는가, 특히 분산 스케일링 측면에서?
• RQ4 해 공간의 성격은 어떠한가? 최적 LCS의 수는 문자열 길이에 따라 지수적으로 증가하는가? 두 개의 무작위로 선택된 LCS 간의 일반적인 오버랩은 무엇인가?
• RQ5 랜덤 문자열 모델에서 매칭 간의 장거리 상관관계는 LCS 길이의 분산 스케일링에 영향을 미치는가? 이는 보편성에 어떤 영향을 미치는가?

주요 결과

• E(LN)/N = γS + AS/(ln(N√N)) + ... 유한 체적 스케일링 법칙은 渐近 LCS 길이를 매우 정확하게 외삽하는 데 유용하며, 2 ≤ S ≤ 15 범위에서 γS의 추정치를 크게 향상시킨다.
• 베르누이 매칭 모델에 대한 캐비티 유도 표현 γSB(r) = (2√(rS) - r - 1)/(S - 1)은 수치 시뮬레이션과 뛰어난 일치를 보이며, S가 증가함에 따라 랜덤 문자열 모델에 대한 강력한 근사치가 된다.
• 최적 LCS의 수 NLCS는 N에 대해 지수적으로 증가하므로, 시스템은 네른스트의 원칙을 만족하지 않으며 해는 일반적으로 서로 다를 것이다.
• 두 개의 무작위로 선택된 LCS 간의 오버랩은 자기 평균화이며, N → ∞ 일 때 비제로 상수 qS < 1로 수렴하여, 큰 다각도의 해 공간 존재를 확인한다.
• 베르누이 매칭 모델에서 LCS 길이의 분산 Var(LN)은 N^2/3 스케일링을 보이나, 랜덤 문자열 모델에서는 다른 스케일링을 보이며, 이는 장거리 상관관계가 중요하며 보편성 클래스에 영향을 줄 수 있음을 시사한다.
• 결과는 네일먼-윈셔드 모델과 같은 모델에서 갭 페널티를 포함하면 장거리 상관관계의 영향이 억제되어 소형 N 스케일링 영역이 연장되고, 실제로 관측되는 보편성 행동이 가려질 수 있음을 시사한다.