[论文解读] An In-place Framework for Exact and Approximate Shortest Unique Substring Queries

Wing-Kai Hon, Sharma V. Thankachan+1 more|arXiv (Cornell University)|Dec 1, 2015

Algorithms and Data Compression参考文献 8被引用 7

一句话总结

本文提出了一种原地框架，用于计算字符串中每个位置的精确和近似（k-不匹配）最短唯一子串（SUS）。该框架在仅使用 2n 个字词加 n 字节的空间下，实现了精确 SUS 的 O(n) 时间复杂度和近似 SUS 的 O(n²) 时间复杂度，因此在不使用压缩数据结构的前提下，具有空间效率高且实用的特点。

ABSTRACT

We revisit the exact shortest unique substring (SUS) finding problem, and propose its approximate version where mismatches are allowed, due to its applications in subfields such as computational biology. We design a generic in-place framework that fits to solve both the exact and approximate $k$-mismatch SUS finding, using the minimum $2n$ memory words plus $n$ bytes space, where $n$ is the input string size. By using the in-place framework, we can find the exact and approximate $k$-mismatch SUS for every string position using a total of $O(n)$ and $O(n^2)$ time, respectively, regardless of the value of $k$. Our framework does not involve any compressed or succinct data structures and thus is practical and easy to implement.

研究动机与目标

• 为生物信息学和文档搜索等应用中高效计算最短唯一子串（SUS）提供支持。
• 将精确 SUS 问题扩展至允许 k 次不匹配的近似版本，以增强在基因序列分析中的适用性。
• 设计一种实用的原地算法，仅使用最少内存——2n 个字词加 n 字节——且不依赖压缩或紧凑数据结构。
• 实现最优时间复杂度：精确 SUS 为 O(n)，近似 k-不匹配 SUS 为 O(n²)，且与 k 无关。
• 提供一种易于实现且适用于实际字符串处理任务的框架。

提出的方法

• 该框架使用两个辅助数组 A 和 B，初始时分别存储最左最短唯一子串（LSUS）及其结束位置。
• 通过从右到左扫描数组 B，为每个位置计算最右最左最短唯一子串（SLSUS），并将 B 覆盖为 SLSUS 的结束位置。
• 然后通过从左到右的遍历，基于前一个 SUS 和当前的 SLSUS 动态更新，计算每个位置 i 的最终 SUS。
• 对于每个位置 i，若存在 SLSUS 且其长度小于扩展后的前一个 SUS，则选择 SLSUS；否则将前一个 SUS 扩展为 S[i]。
• 该算法通过利用 k-不匹配唯一性和子串覆盖的性质，仅通过原地数组修改确保正确性。
• 该框架避免使用任何压缩数据结构，直接在输入字符串和两个整型数组上操作，从而最小化空间占用和内存访问。

实验结果

研究问题

• RQ1 能否设计一种原地算法，高效计算字符串中所有位置的精确和近似（k-不匹配）最短唯一子串？
• RQ2 在保持实用性与正确性的前提下，求解 k-不匹配 SUS 问题的最小空间需求是多少？
• RQ3 如何使近似 SUS 情况下的时间复杂度与 k 值无关？
• RQ4 是否可能设计一种框架，避免使用压缩数据结构，同时实现最优的时间与空间效率？
• RQ5 能否通过最小修改复用相同的算法结构，同时支持精确和近似 SUS 的计算？

主要发现

• 所提出的原地框架仅使用 2n 个字词加 n 字节，这是存储 n 个 SUS 和原始字符串所需的最小空间。
• 对于精确 SUS（k=0），该算法的时间复杂度为 O(n)，显著优于先前的 O(n²) 解决方案。
• 对于近似 k-不匹配 SUS 且 k≥1 的情况，该算法的时间复杂度为 O(n²)，且与 k 值无关。
• 该框架不依赖压缩或紧凑数据结构，因此具有实用性和易于实现的优点。
• 该算法通过在数组 A 和 B 中动态维护和更新起始与结束位置，正确计算每个位置的最右 SUS。
• 该解决方案具有通用性，通过轻微修改 tie-breaking 规则，可轻松适配为寻找最左或最右 SUS。