[論文レビュー] Reconstructing Strings from Substrings: Optimal Randomized and Average-Case Algorithms

Kazuo Iwama, Junichi Teruyama|arXiv (Cornell University)|Aug 2, 2018

Algorithms and Data Compression参考文献 9被引用数 4

ひとこと要約

本稿では、長さが既知のバイナリ文字列を部分文字列クエリから再構築するための2つの最適なアルゴリズムを提示する：高確率で n + O(1) クエリを達成する確率的アルゴリズムと、平均ケースで同じクエリ複雑度を達成する決定的アルゴリズム。両者とも、部分文字列出現の確率的性質と適応的シード拡張戦略を活用することで、従来の研究で長年開けられていた O(log n) のギャップを克服し、定数項を除いて最適性を達成する。

ABSTRACT

The problem called "String reconstruction from substrings" is a mathematical model of sequencing by hybridization that plays an important role in DNA sequencing. In this problem, we are given a blackbox oracle holding an unknown string ${\mathcal X}$ and are required to obtain (reconstruct) ${\mathcal X}$ through "substring queries" $Q(S)$. $Q(S)$ is given to the oracle with a string $S$ and the answer of the oracle is Yes if ${\mathcal X}$ includes $S$ as a substring and No otherwise. Our goal is to minimize the number of queries for the reconstruction. In this paper, we deal with only binary strings for ${\mathcal X}$ whose length $n$ is given in advance by using a sequence of good $S$'s. In 1995, Skiena and Sundaram first studied this problem and obtained an algorithm whose query complexity is $n+O(\log n)$. Its information theoretic lower bound is $n$, and they posed an obvious open question; if we can remove the $O(\log n)$ additive term. No progress has been made until now. This paper gives two partially positive answers to this open question. One is a randomized algorithm whose query complexity is $n+O(1)$ with high probability and the other is an average-case algorithm also having a query complexity of $n+O(1)$ on average. The $n$ lower bound is still true for both cases, and hence they are optimal up to an additive constant.

研究の動機と目的

• 部分文字列クエリからの文字列再構築におけるクエリ複雑度の O(log n) ギャップを埋める。
• 高確率で n + O(1) クエリを達成する確率的アルゴリズムを開発する。
• 平均ケースで n + O(1) クエリ複雑度を達成する決定的アルゴリズムを設計する。
• 情報理論的下界 n を一致させることで、両アルゴリズムの最適性（定数項を除いて）を証明する。
• ランダムバイナリ文字列における部分文字列頻度の確率的性質を活用して、クエリのオーバーヘッドを低減する。

提案手法

• 長さ ≈ log n の部分文字列を確率的にサンプリングすることで、高確率で部分文字列および非部分文字列を特定する戦略を採用する。
• 「ダブルシード」技術を用いる：まず最長の0の連続列（最初のシード）を特定し、次にそれより長いシードを探索することでクエリのオーバーヘッドを低減する。
• 両方向への部分文字列拡張に確率的サンプリングと適応的クエリ選択を用いる「TwoExtension」手順を適用する。
• チェルノフ不等式を用いて失敗確率を有界にするブックキーピングシステムを導入し、すべてのアルゴリズム段階で高確率の正しさを保証する。
• スティーブン・スキーとサンダラム（Skiena-Sundaram, SkSu）のアルゴリズムを変更し、最長の0の連続列の二分探索を確率的シード特定メカニズムに置き換える。
• ハイブリッドアプローチを採用：確率的段階で失敗した場合に、決定的例外パスに切り替え、誤差を有界に保ちながら正しさを保証する。

実験結果

リサーチクエスチョン

• RQ1 部分文字列クエリからの文字列再構築におけるクエリ複雑度の O(log n) 加法的項は、削除可能か？
• RQ2 高確率で n + O(1) クエリを達成する確率的アルゴリズムは存在するか？
• RQ3 平均ケースで n + O(1) クエリ複雑度を達成する決定的アルゴリズムは可能か？
• RQ4 ランダムバイナリ文字列における部分文字列頻度の確率的性質を活用して、クエリ数を削減できるか？
• RQ5 非ランダムな文字列に対しても耐性を持たせつつ、ほぼ最適なクエリ複雑度を維持できるか？

主な発見

• 確率的アルゴリズムは、失敗確率が δ 以下である場合に、n + 213 logₑ(3/δ) + 1 クエリで n + O(1) のクエリ複雑度を達成する。
• 平均ケースの決定的アルゴリズムは、平均で n + 6 クエリ以内に収束し、n + O(1) の性能を達成する。
• 両アルゴリズムとも、定数項を除いて最適であり、情報理論的下界 n クエリと一致する。
• 確率的アルゴリズムの失敗確率は δ で有界であり、定数項 213 logₑ(3/δ) は所望の信頼水準に依存する。
• ダブルシードと確率的サンプリングの活用により、SkSu手法と比較して最大 log n クエリの節約が可能である。
• ブックキーピングと失敗確率の分析は、チェルノフ不等式に依存しており、すべてのアルゴリズム段階で高確率の正しさを保証する。