The complexity of the Multiple Pattern Matching Problem for random strings
我们推广了一个多字符串模式匹配算法,最近提出的Fredriksson和Grabowski [J. Discr. Alg. 7,2009],以处理大小为$s$的字母表上的任意字典。如果$r_m$是字典中长度为$m$的单词的数量,而$ϕ(r) = \max_m \ln(s\, m\, r_m)/m$,对于某个常数$κ_{{}_\textrm{UB}}$,该算法读取的字符串字符的复杂度最多为$κ_{{}_\textrm{UB}}\, ϕ(r)$。另一方面,我们推广了姚[SIAM J. COMPUT. 8,1979],对于具有单一模式的问题,处理任意字典,并确定它至少为$κ_{{}_\textrm{LB}}\, ϕ(r)$。这证明了算法的最优性,改进和纠正了以前的主张。
2017-06-30 cs.DS
Optimal Time Random Access to Grammar-Compressed Strings in Small Space
压缩字符串的随机访问问题是建立一个数据结构,有效地支持访问字符的位置$i$的字符在压缩形式。给定大小为$n$的文法压缩大小为$N$的字符串,我们提出了一种使用$O(nΔ\log_Δ\frac N n \log N)$位空间的数据结构,该数据结构支持$Δ\leq \log^{O(1)} N$在$O(\log_ΔN)$时间内访问位置$i$。查询时间对于多项式可压缩字符串是最优的,即,当$n=O(N^{1-ε})$。
2015-01-26 cs.DS
Improved Approximate String Matching and Regular Expression Matching on Ziv-Lempel Compressed Texts
我们研究了近似字符串匹配和正则表达式匹配问题的情况下,待搜索的文本被压缩的Ziv-Lempel自适应字典压缩方案。我们提出了一个时间-空间的权衡,导致算法提高了以前已知的复杂性这两个问题。特别是,我们显着改善的空间界限,这在实际应用中很可能是一个瓶颈。
2007-05-03 cs.DS
Fast $q$-gram Mining on SLP Compressed Strings
我们提出了简单而有效的算法,用于计算$q$ -克频率的字符串表示在压缩的形式,即,作为一个直线程序(SLP)。给定一个表示字符串$T$的大小为$n$的SLP,我们提出了一个计算$T$中$q$ -gram出现频率的$O(qn)$时空算法.计算实验表明,我们的算法和它的变化是实用的小$q$,实际上运行速度更快的各种真正的字符串数据,相比,工作在未压缩文本的算法。我们还讨论了字符串数据的数据采掘和分类中的应用,我们的算法对此很有用。
2011-07-13 cs.DS
Revisiting the Folklore Algorithm for Random Access to Grammar-Compressed Strings
针对语法压缩字符串随机访问实用研究不足的问题,本文修改了乔姆斯基范式下的民间传说随机访问算法使其适配通用语法,验证了其实际运行速度快、内存效率高的优势。
2024-07-11 cs.DS
String Indexing with Compressed Patterns
针对客户端-服务器场景中以压缩形式提交的模式查询,提出一种线性空间数据结构,能直接高效处理Lempel-Ziv压缩模式,实现接近最优的查询时间,并开发了编码LZ77压缩后缀和分解trie等通用数据结构技术。
2024-02-14 cs.DS
On Extensions of Maximal Repeats in Compressed Strings
本文给出了压缩字符串中最大重复和最大对的几个子集的上界,并给出了最大对与游程Burrows-Wheeler变换之间的一个未知关系。这个关系被用来获得Burrows-Wheeler猜想的一个不同的证明,该猜想最近被Kempa和Kociumaka在“Resolution of the Burrows-Wheeler Transform Conjecture”中证明。本文证明了一个具有$z$ LZ ~(77)-因子而不具有$q$次幂的串$S$在游程长度Burrows-Wheeler变换中至多有$73(\log_2 |S|)(z+2)^2$游程,并且$S$的紧致有向无环字图中的弧数由$18q(1+\log_q |S|)(z+2)^2$自上而下有界.
2020-02-14 cs.DS
Counting Colours in Compressed Strings
假设我们被要求预处理一个字符串\(s [1..n]\),这样以后,给定一个子字符串的端点,我们就可以快速计算出它包含多少个不同的字符。在本文中,我们给这个问题,需要\(n H_0 (s) + \Oh{n} + \oh{n H_0 (s)}\)位的数据结构,其中\(H_0 (s)\)是0阶经验熵的$s$,并回答查询在$\Oh{\log^{1 + ε} n}$的时间为任何常数\(ε> 0\)。我们还展示了如何我们的数据结构可以部分动态。
2010-11-15 cs.DS
Optimal Random Access and Conditional Lower Bounds for 2D Compressed Strings
Stony Brook University(石溪大学)
该研究针对二维数据压缩索引的次优问题,提出首个二维文法压缩字符串的最优随机访问数据结构,证明模式匹配条件下界及基本二维查询的硬度假设,建立二维与一维压缩索引复杂度的关联。
2025-10-22 cs.DS
Substring Complexities on Run-length Compressed Strings
令$S_{T}(k)$表示字符串$T$中长度为$k$的不同子串的集合,则第$k$个子串复杂度由其基数$|S_{T}(k)|$定义。最近,$δ= \max \{ |S_{T}(k)| / k : k \ge 1 \}$被证明是一个很好的压缩性措施的高度重复字符串。在本文中,给定长度为$n$的$T$,其长度为$r$的游程长度压缩形式,我们证明了$δ$可以在$\mathit{C}_{\mathsf{sort}}(r, n)$时间和$O(r)$空间中计算,其中$\mathit{C}_{\mathsf{sort}}(r, n) = O(\min (r \lg\lg r, r \lg_{r} n))$是在具有字大小$Ω(\lg n)$的Word-RAM模型中在$O(r)$空间中对$r$ $O(\lg n)$ -位整数进行排序的时间复杂度。
2022-05-25 cs.DS
The CDAWG Index and Pattern Matching on Grammar-Compressed Strings
本研究提出将CDAWG用作语法压缩字符串的索引,实现了高效模式匹配,实验验证其运行时性能达当前最优,且空间复杂度符合已知最优渐近界。
2024-07-11 cs.DS
Optimal-Time Queries on BWT-runs Compressed Indexes
索引高度重复的字符串(即,具有许多重复的字符串)进行快速查询已经成为字符串处理中的中心研究课题,因为它在生物信息学和自然语言处理中具有广泛的应用。虽然到目前为止已经提出了大量的高度重复字符串的索引,但开发支持各种查询的压缩索引仍然是一个挑战。游程Burrows-Wheeler变换(RLBWT)是一种通过对输入字符串进行可逆置换和行程长度编码的无损数据压缩方法,它在高重复性字符串的索引方面受到广泛关注。LF和$ϕ^{-1}$是用于在RLBWT上构建索引的两个关键函数,并且最佳先前结果在$O(\log \log n)$时间内计算LF和$ϕ^{-1}$,其中$O(r)$字的空间用于RLBWT中的串长度$n$和运行次数$r$。本文对LF和$ϕ^{-1}$进行了改进,使它们可以用空间的$O(r)$字在常数时间内计算。随后,我们提出了OptBWTR(最佳时间查询BWT运行压缩索引),第一个字符串索引,支持各种查询,包括定位,计数,提取查询在最佳时间和$O(r)$字的空间。
2021-04-16 cs.DS
Compact q-gram Profiling of Compressed Strings
我们考虑计算大小为$N$的字符串\str的q-gram配置文件的问题,该字符串由具有$n$产生式规则的上下文无关文法语法压缩。我们提出了一个算法,运行在$O(N-α)$预期的时间,并使用$O(n+q+\kq)$空间,其中$N-α\leq qn$是由算法解压缩的字符的确切数量和$\kq\leq N-α$是不同的q-gram在$\str$的数量。这同时匹配当前最佳已知时间界限并改进最佳已知空间界限。我们的空间界是渐近最优的,在这个意义上,任何算法存储的语法和q-gram配置文件必须使用$Ω(n+q+\kq)$空间。为了实现这一点,我们引入了q-gram图,它可以有效地捕获字符串的q-gram结构,并展示了如何从语法中构建它。
2014-06-06 cs.DS
Pattern Matching on Grammar-Compressed Strings in Linear Time
文本处理算法中考虑的最基本问题是模式匹配:给定长度为$m$的模式$p$和长度为$n$的文本$t$,$p$是否出现在$t$中?这个基本问题的多个版本已经被考虑过了,现在我们知道在实践和理论上都很快的算法。然而,生成和存储的数据量的快速增长带来了设计直接对数据的压缩表示进行操作的算法的需求。在压缩模式匹配问题中,我们给出文本的压缩表示,其中$n$是压缩表示的长度,$N$是文本的长度,以及长度为$m$的未压缩模式。最具挑战性的(但在处理高度重复的数据时也是相关的,比如生物信息)场景是当所选择的压缩方法能够描述指数长度的字符串时(在其表示的大小上)。这种压缩方法的一种优雅的形式是直线程序,它只是描述一个字符串的上下文无关文法。虽然已经知道对于这种压缩方法,压缩的模式匹配问题可以在$O(m+n\log N)$时间内解决,但是设计线性时间算法仍然是开放的。我们解决这个悬而未决的问题,提出了一个$O(n+m)$时间算法,给定一个上下文无关文法大小$n$,产生一个单一的字符串$t$和模式$p$的长度$m$,决定是否$p$出现在$t$作为一个子串。为此,我们设计改进的解决方案的加权祖先问题和子串连接问题。
2021-11-09 cs.DS
Detecting regularities on grammar-compressed strings
我们解决的问题,检测和计数的各种形式的字符串表示为一个直线程序(SLP)中的字符串。给定一个大小为$n$的SLP,它表示一个长度为$N$的字符串$s$,我们的算法在$O(n^3h)$时间和$O(n^2)$空间中计算$s$中的所有游程和平方,其中$h$是SLP的导出树的高度。我们还展示了一个算法来计算所有的间隙回文在$O(n^3h + gnh\log N)$时间和$O(n^2)$空间,其中$g$是间隙的长度。上述解决方案的关键技术还允许我们分别在$O(n^2 h)$时间和$O(nh(n+\log^2 N))$时间中计算字符串的周期和覆盖。
2013-04-26 cs.DS
Compressed Subsequence Matching and Packed Tree Coloring
提出了一种新的文法压缩串的子序列匹配算法。给定一个大小为$n$的文法,在一个大小为$σ$的字母表上压缩一个大小为$N$的字符串和一个大小为$m$的模式字符串,我们的算法使用$O(n+\frac{nσ}{w})$空间和$O(n+\frac{nσ}{w}+m\log N\log w\cdot occ)$或$O(n+\frac{nσ}{w}\log w+m\log N\cdot occ)$时间。这里$w$是字的大小,而$occ$是模式出现的次数。我们的算法使用更少的空间比以前的算法,也是更快的$occ=o(\frac{n}{\log N})$发生。该算法使用了一种新的数据结构,使我们能够有效地找到下一次出现的一个给定的字符后,一个给定的位置在压缩字符串。该数据结构又基于树颜色问题的新数据结构,其中节点颜色被打包在位串中。
2014-06-05 cs.DS
Random Access to Grammar Compressed Strings
基于语法的压缩是一种简单而强大的范例,它可以捕获许多流行的压缩方案,其中一个人用生成字符串的小型上下文无关语法替换长字符串。在本文中,我们提出了一种新的语法表示,允许有效的随机访问任何字符或子串,而不解压字符串。令$S$为长度为$N$的字符串,该字符串被压缩为大小为$n$的上下文无关语法$\mathcal{S}$。我们提出了两种表示的$\mathcal{S}$实现$O(\log N)$随机访问时间,或$O(n\cdot α_k(n))$建设时间和空间上的指针机器模型,或$O(n)$建设时间和空间上的RAM。这里,$α_k(n)$是阿克曼函数的$k^{th}$行的逆。我们的表示也有效地支持解压缩的任何子串在$S$:我们可以在相同的复杂性作为一个单一的随机访问查询和额外的$O(m)$时间的长度$m$的任何子串。结合这些结果与快速算法的未压缩近似字符串匹配导致几个有效的算法近似字符串匹配的语法压缩字符串不解压。例如,我们可以找到模式$P$在时间$O(n(\min\{|P|k, k^4 + |P|\} + \log N) + occ)$上的所有近似出现,其中$occ$是$P$在$S$中出现的次数。最后,我们将我们的结果推广到导航和语法压缩有序树的其他操作。所有上述界限显着改善目前最知名的结果。为了实现这些界限,我们引入了几个新的技术和数据结构的独立利益,包括前身的数据结构,两个“有偏见的”…
2013-10-29 cs.DS
CRAM: Compressed Random Access Memory
我们提出了一种称为\emph{Compressed Random Access Memory}(CRAM)的新数据结构,它可以存储字符的动态字符串$T$,例如,以压缩形式表示计算机的存储器,同时在压缩比上实现渐近几乎最优的界限(根据经验熵)。它允许$T$的短子字符串被有效地解压缩和检索,并且显著地,在执行\emph{without decompressing the entire string}期间快速修改$T$的任意位置处的字符。这可以被视为一种新型的数据压缩,可以直接更新压缩文件。此外,以略微增加每个操作所花费的时间为代价,CRAM可以扩展为也支持插入和删除。我们的关键观察,经验熵的字符串并没有改变太多的字符串后,小的变化,以及我们的简单而有效的方法来维持一个数组的可变长度的块下的长度修改,可能是有用的许多其他应用程序。
2012-02-18 cs.DS
Incongruity-sensitive access to highly compressed strings
本文提出了一种基于不一致性的高效访问高度压缩字符串中不可压缩子字符串的方法,通过构建特定数据结构实现快速访问。
2026-02-04 cs.DS
Compressed Dictionary Matching on Run-Length Encoded Strings
针对游程编码压缩字符串的字典匹配问题,提出基于压缩Aho-Corasick自动机与新型字符串索引的算法,实现接近最优的时间与线性压缩空间复杂度,为该问题首个非平凡解决方案。
2025-09-03 cs.DS
Efficient Lyndon factorization of grammar compressed text
我们提出了一个算法计算的Lyndon分解的字符串,给出了语法压缩形式,即,一个直线程序(SLP)。该算法在$O(n^4 + mn^3h)$时间和$O(n^2)$空间中运行,其中$m$是林登因子分解的大小,$n$是SLP的大小,并且$h$是SLP的导出树的高度。由于解压缩的字符串的长度可以是指数级的,$n, m$和$h$,我们的结果是第一个多项式时间的解决方案时,字符串是SLP。
2013-04-26 cs.DS
Pattern matching in Lempel-Ziv compressed strings: fast, simple, and deterministic
Lempel-Ziv压缩的无数变体广泛用于许多实际应用中。这篇论文关注的是经典的模式匹配问题的一个自然的修改,这是受到这种压缩方法的流行的启发:给定一个未压缩的模式s [1]。m]和字符串t [1.. n],s在t中发生吗?Farach和Thorup给出了这个问题的随机化O(nlog^2(N/n)+m)时间解,其中n是t的压缩表示的大小。我们改进了他们的结果,开发了一个更快的和完全确定的O(nlog(N/n)+m)时间算法具有相同的空间复杂度。请注意,对于高度可压缩的文本,log(N/n)可能是n阶,因此对于此类输入,改进非常显著。我们的方法的一个(微小的)片段可以用来给出Farach和Muthukrishnan考虑的子串哈希问题的渐近最优解。
2011-04-21 cs.DS
Fingerprints in Compressed Strings
字符串的Karp-Rabin指纹是一种哈希值,由于其强大的属性,已被用于许多字符串算法。在本文中,我们将展示如何构建一个数据结构的字符串$S$的大小$N$压缩的上下文无关的语法大小$n$,回答指纹查询。也就是说,给定索引$i$和$j$,查询的答案是子字符串$S[i,j]$的指纹。我们提出了第一个O(n)空间的数据结构,回答指纹查询,而不解压缩任何字符。对于直线程序(SLP),我们得到$O(\log N)$查询时间,对于线性SLP(捕获LZ 78压缩及其变体的SLP衍生物),我们得到$O(\log \log N)$查询时间。因此,我们的数据结构具有相同的时间和空间的复杂性,在SLP中的随机访问。我们利用指纹数据结构,以解决最长的共同扩展问题在查询时间$O(\log N \log \lce)$和$O(\log \lce \log\log \lce + \log\log N)$的SLP和线性SLP,分别。这里,$\lce$表示LCE的长度。
2013-05-16 cs.DS
Improved Circular Dictionary Matching
本文研究任意字典的循环字典匹配问题,通过扩展后缀数组并提出LCP数组采样机制,在压缩空间内实现了高效的查询时间。
2025-04-04 cs.DS
Restructuring Compressed Texts without Explicit Decompression
我们考虑的问题{ \em重组}压缩文本没有显式解压缩。我们提出的算法,允许从任何基于语法的压缩算法产生的字符串$T$的压缩表示转换,表示由几个特定的压缩算法,包括LZ 77,LZ 78,行程长度编码,和一些基于语法的压缩算法。这些是第一个算法,实现运行时间多项式的大小压缩的输入和输出表示的$T$。由于我们考虑的大多数表示都可以实现指数压缩,因此在最坏的情况下,我们的算法理论上比任何首先解压缩字符串进行转换的算法都要快。
2011-07-14 cs.DS
Computing convolution on grammar-compressed text
长度为$N$的文本串$S$和长度为$m$的模式串$P$之间的卷积可以通过FFT在$O(N \log m)$时间内计算。众所周知,各种类型的近似字符串匹配问题都可以简化为卷积。在本文中,我们假设输入的文本字符串是在一个压缩的形式,作为一个\emph{straight-line program (SLP)},这是一个上下文无关的语法在乔姆斯基范式,推导出一个单一的字符串。给定大小为$n$的SLP $\mathcal{S}$描述长度为$N$的文本$S$,以及长度为$m$的未压缩模式$P$,我们提出了一个简单的$O(nm \log m)$时间算法来计算$S$和$P$之间的卷积。然后,我们表明,这可以提高到$O(\min\{nm, N-α\} \log m)$的时间,其中$α\geq 0$是一个值,表示的冗余量,SLP捕获的长度$m$子串。改进的关键是我们的新算法,在$O(r \log m)$时间内计算大小为$r$的trie和长度为$m$的模式串$P$之间的卷积。
2013-03-16 cs.DS
Compressed Range Minimum Queries
给定$[0,σ)$中$n$整数的字符串$S$,范围最小查询RMQ $(i, j)$要求$S[i \dots j]$中最小整数的索引。众所周知,这个问题可以用大小为$2n + o(n)$且查询时间恒定的简洁数据结构来解决。在本文中,我们将展示如何预处理$S$到一个压缩表示,允许快速范围最小查询。这允许具有对数查询时间的次线性大小数据结构。最自然的方法是使用字符串压缩并构造一个数据结构,用于直接在压缩字符串上回答范围最小查询。我们调查这种方法的语法压缩的上下文中。然后,我们考虑另一种方法。代替使用字符串压缩来压缩$S$,我们使用树压缩来压缩$S$的笛卡尔树。我们表明,这种方法可以比前者指数更好,是从来没有更差的$O(σ)$因子(即恒定字母表,它是从来没有渐近差),并可以在事实上是更差的$Ω(σ)$因子。
2019-05-29 cs.DS
Space-Efficient Construction of Compressed Indexes in Deterministic Linear Time
我们表明,压缩后缀数组和压缩后缀树的字符串$T$可以内置的$O(n)$确定性时间使用$O(n\logσ)$位的空间,其中$n$是字符串长度和$σ$是字母表的大小。先前描述的确定性算法要么在取决于字母表大小的时间内运行,要么需要工作空间的$ω(n\log σ)$位。我们的结果有直接的应用到其他问题,如产生第一个线性时间LZ77和LZ78解析算法,使用$O(n \logσ)$位。
2016-11-14 cs.DS
A Framework of Dynamic Data Structures for String Processing
在本文中,我们提出了动态,一个开源的C++库实现动态压缩数据结构的字符串操作。我们的框架包括有用的工具,如可搜索的部分和,简洁/间隙编码的位向量,熵/游程长度压缩字符串和FM索引。我们证明了我们的结构所使用的资源接近最优的理论界限,并表明我们的理论预测在实践中得到了严格的经验验证。最后,我们将注意力转向应用。我们比较了四个最近发布的压缩算法,使用动态与国家的最先进的工具执行相同的任务的性能。我们的实验表明,利用动态压缩的数据结构的算法可以高达三个数量级的空间效率(虽然更慢)比经典的执行相同的任务。
2017-01-25 cs.DS
A simple online competitive adaptation of Lempel-Ziv compression with efficient random access support
我们提出了一个简单的适应Lempel Ziv 78'(LZ 78)压缩方案({ \em IEEE Transactions on信息论,1978}),支持有效的随机访问输入字符串。即,给定对压缩串的查询访问,可以有效地恢复输入串的任何符号。压缩算法被给定为参数$\eps >0$的输入,并且以非常高的概率将压缩串的长度增加至多因子$(1+\eps)$。访问时间为预期的$O(\log n + 1/\eps^2)$,以及具有高概率的$O(\log n/\eps^2)$。该方案依赖于稀疏传递闭包空间。输入字符串的任何(连续的)子字符串都可以在子字符串长度的运行时间内以额外的附加成本进行检索。我们还正式建立修改LZ 78的必要性,以便允许有效的随机接入。具体来说,我们构建了一个家庭的字符串,$Ω(n/\log n)$查询的LZ 78压缩字符串是必需的,以恢复输入字符串中的单个符号。所提出的方案的主要优点是,它保留了LZ 78的在线性质和简单性,并且对于{ \em every}输入字符串,压缩字符串的长度仅比通过运行LZ 78获得的长度大一个小因子。
2013-01-11 cs.DS
Rank, select and access in grammar-compressed strings
给定$σ$符号的固定字母表上的长度为$N$的字符串$S$,语法压缩器产生大小为$n$的上下文无关语法$G$,其生成$S$并且仅生成$S$。在本文中,我们描述的数据结构,以支持以下操作的语法压缩字符串:$\mbox{rank}_c(S,i)$(返回的符号$c$的出现次数之前的位置$i$在$S$); $\mbox{select}_c(S,i)$(返回的位置$i$的$c$在$S$);和$\mbox{access}(S,i,j)$(返回子字符串$S[i,j]$)。对于秩和选择,我们描述了支持$O(\log N)$时间中的两个操作的大小为$O(nσ\log N)$位的数据结构。我们提出了另一种结构,使用$O(nσ\log (N/n)(\log N)^{1+ε})$位,并支持在$O(\log N/\log\log N)$,其中$ε>0$是一个任意常数的两个查询。据我们所知,我们是第一个研究的渐进复杂性的排名和选择语法压缩设置,我们提供了一个硬度的结果表明,显着提高我们实现的界限将意味着一个重大突破的硬图论问题。我们的主要结果访问是一种方法,需要$O(n\log N)$位的空间和$O(\log N+m/\log_σN)$时间提取$m=j-i+1$连续符号从$S$。或者,我们可以使用$O(n\log (N/n)(\log N)^{1+ε})$位空间来实现$O(\log N/\log\log N+m…
2014-08-14 cs.DS
Optimal Construction of Compressed Indexes for Highly Repetitive Texts
我们提出的算法,给定的输入字符串的长度$n$在整数字母表的大小$σ$,构造的Burrows-Wheeler变换(BWT),置换最长公共前缀(PLCP)阵列,和LZ 77解析在$O(n/\log_σn+r\,{\rm polylog}\,n)$时间和工作空间,其中$r$是运行在BWT的输入。这些是许多压缩索引的基本组成部分,如压缩后缀树,FM索引,语法和基于LZ 77的索引,而且在序列分析和数据压缩中也有许多应用。$r$的值是重复性的常用度量,如果字符串高度重复,则该值明显小于$n$。由于只访问字符串的每个符号需要$Ω(n/\log_σn)$时间,所提出的算法是时间和空间最优的输入满足假设$n/r\inΩ({\rm polylog}\,n)$的重复性。对于这些输入,我们的结果改进了Belazzougui(STOC 2014)和Munro等人(SODA 2017)目前最快的通用算法,这些算法在$O(n)$时间内运行,并使用$O(n/\log_σ n)$工作空间。我们还展示了如何使用我们的技术,以获得最佳的解决方案,对其他基本字符串处理问题的高度重复的数据,如:林登因子分解,运行长度压缩后缀数组的建设,和一些经典的“教科书”的问题,如计算最长的子串发生至少一些固定的次数。
2019-05-20 cs.DS
Fully dynamic data structure for LCE queries in compressed space
对长度为$N$的文本$T$的最长公共扩展(LCE)查询要求从给定的两个位置开始的后缀的最长公共前缀的长度。我们表明,大小为$w = O(\min(z \log N \log^* M, N))$的签名编码$\mathcal{G}$ [Mehlhorn等人,198,1997],其可以被看作是$T$的压缩表示,具有在$O(\log N + \log \ell \log^* M)$时间内支持LCE查询的能力,其中$\ell$是查询的答案,$z$是$T$的Lempel-Ziv 77(LZ 77)因子分解的大小,并且$M \geq 4N$是可以在字RAM模型下在恒定时间内处理的整数。在压缩空间中,这在许多情况下是最快的确定性LCE数据结构。此外,可以增强$\mathcal{G}$以支持高效的更新操作:在$O(w f_{\mathcal{A}})$时间中处理$\mathcal{G}$之后,我们可以在$O((y+ \log N\log^* M) f_{\mathcal{A}})$时间中将长度为$y$的任何(子)字符串插入$T$的任意位置/从$T$的任意位置删除任何(子)字符串,其中$f_{\mathcal{A}} = O(\min \{ \frac{\log\log M \log\log w}{\log\log\log M}, \sqrt{\frac{\log w}{\log\log w}} \}…
2016-06-26 cs.DS
Hardness of Frequency-Related Queries on Compressed Strings
Stony Brook University(石溪大学)
研究压缩字符串上频率相关查询,如秩查询和符号出现查询。通过建立条件下界,证明若用特定空间结构在多对数时间内回答此类查询,将意味着布尔矩阵乘法有更快算法,还扩展了下界范围并考虑了其他相关问题。
2026-07-09 cs.DS
Linear time construction of compressed text indices in compact space
我们表明,压缩后缀数组和压缩后缀树的长度$n$在一个整数字母表的大小$σ\leq n$的字符串都可以内置的$O(n)$(随机)的时间只使用$O(n\logσ)$位的工作空间。以前使用$O(n\logσ)$位空间的最快构造算法分别花费时间$O(n\log\logσ)$和$O(n\log^εn)$(其中$ε$是小于$1$的任何正常数)。在传递中,我们表明,长度为$n$的字符串在大小为$σ$的字母表上的Burrows-Wheeler变换可以建立在确定性的$O(n)$时间和空间$O(n\logσ)$中。我们还表明,在相同的时间和空间内,我们可以进行多种序列分析任务,并构造压缩后缀数组和压缩后缀树的一些变体。
2016-05-23 cs.DS
Solving Classical String Problems on Compressed Texts
在这里,我们研究字符串问题的复杂性作为一个程序的大小,产生输入的函数。我们考虑直线程序(SLP),因为所有的算法SLP生成的字符串可以应用于处理LZ压缩文本。主要结果是一个新的算法的模式匹配时,一个文本T和一个模式P的SLP(所谓的完全压缩模式匹配问题)。我们展示了如何找到第一次出现,计数所有出现,检查任何给定的位置是否在时间O(n^2m)内出现。这里m,n是生成相应P和T的直线程序的大小。然后,我们提出了多项式算法计算指纹表和压缩表示的所有覆盖(第一次),并找到一个给定的压缩字符串的周期(我们的算法比以前已知的更快)。另一方面,我们证明了计算两个SLP生成的字符串之间的汉明距离是NP-和coNP-困难的。
2006-04-13 cs.CC cs.DS
A New Class of String Transformations for Compressed Text Indexing
本文提出一类基于局部排序的新型字符串变换,证明其属于包含BWT、ABWT的上下文自适应字母表排序变换族,可用于构建r-index,还给出了线性时间寻找最小游程数BWT变体的算法。
2023-05-08 cs.DS
The Wavelet Trie: Maintaining an Indexed Sequence of Strings in Compressed Space
索引的字符串序列是用于存储字符串序列的数据结构,该字符串序列支持随机访问、搜索、范围计数和分析操作,用于精确匹配和前缀搜索。字符串序列是面向列的数据库、日志处理以及其他存储和查询任务的核心。在这些应用程序中,每个字符串可以出现多次,并且字符串在序列中的顺序是相关的。字符串的前缀结构也是相关的:在字符串中寻找共同的前缀以从序列中提取有趣的特征。此外,空间效率是非常可取的,因为它直接转化为更高的性能,因为更多的数据可以容纳在快速内存中。我们介绍和研究的问题,压缩索引序列的字符串,表示索引序列的字符串在接近最佳的压缩空间,无论是在静态和动态设置,同时保持可证明的良好性能的支持操作。我们提出了一种新的数据结构,小波Trie,它结合了经典的Patricia Trie与小波树,一个简洁的数据结构存储压缩序列。由此产生的小波Trie平滑地适应随时间变化的字符串序列。它通过支持动态字母表(即不同字符串的集合)和前缀查询(这两者在上述应用中都是至关重要的要求)来改进最先进的压缩数据结构,并且通过将空间占用减少到接近序列的熵来改进传统索引。
2012-04-16 cs.DB cs.DS
Finger Search in Grammar-Compressed Strings
基于语法的压缩是一种简单而强大的范例,它可以捕获许多流行的压缩方案,其中使用生成字符串的小上下文无关文法替换长字符串。给定一个语法,随机访问问题是在压缩表示该语法的同时支持随机访问,也就是说,给定原始未压缩字符串中的一个位置,报告该位置的字符。本文研究了具有手指搜索性质的随机接入问题,即随机接入查询的时间依赖于指定索引$f$(称为\emph{finger})与查询索引$i$之间的距离.我们考虑静态变体,其中我们首先放置手指并随后有效地访问手指附近的索引,以及动态变体,其中还移动手指,使得时间取决于移动的距离。令$n$为语法的大小,令$N$为字符串的大小。对于静态变量,我们给出了一个线性空间表示,支持放置在$O(\log N)$时间的手指,并随后在$O(\log D)$时间访问,其中$D$是手指和访问的索引之间的距离。对于动态变量,我们给出了一个线性空间表示,支持放置在$O(\log N)$时间的手指和访问和移动的手指在$O(\log D + \log \log N)$的时间。与随机访问的最佳线性空间解决方案相比,我们改进了静态变量绑定到$O(\log D)$,动态变量绑定到$O(\log D + \log \log N)$的$O(\log N)$查询,同时保持线性空间。作为我们的结果的应用,我们得到了一个改进的解决方案的最长公共扩展问题的文法压缩字符串。为了获得我们的结果,我们引入…
2016-11-16 cs.DS
Faster subsequence recognition in compressed strings
压缩字符串计算是处理海量数据集的关键方法之一。我们考虑的字符串压缩直线程序(SLP),这是密切相关的Lempel-Ziv压缩的局部子序列识别问题。对于长度为$\bar m$的SLP压缩文本和长度为$n$的未压缩模式,C{é}gielski等人给出了一种在时间上运行的局部子序列识别算法$O(\bar mn^2 \log n)$。我们将运行时间提高到$O(\bar mn^{1.5})$。我们的算法也可以用来计算一个压缩文本和一个未压缩的模式之间的时间$O(\bar mn^{1.5})$的最长共同子序列;压缩模式的相同问题是已知的NP-难。
2008-01-18 cs.CC cs.DM cs.DS
More Haste, Less Waste: Lowering the Redundancy in Fully Indexable Dictionaries
我们考虑以压缩格式表示具有$n$ 1的$m$位的位向量$S$的问题,支持以下操作,其中$b \in \{0, 1 \}$:$rank_b(S,i)$返回位$b$在前缀$S[1..i]$中出现的次数; $select_b(S,i)$返回位$b$在$S$中第$i$次出现的位置。这种数据结构被称为\emph{fully indexable dictionary (FID)} [Raman等人,2007年],并且至少与前任数据结构一样强大。我们的重点是在\textsc{ram}模型上的空间有效的FID,具有字大小$Θ(\lg m)$和所有操作的恒定时间,因此时间成本与输入大小无关。给定要编码的位串$S$,具有长度$m$并且包含$n$ 1,需要存储的最小信息量是$B(n,m) = \lceil \log {{m}\choose{n}} \rceil$。在[Patrascu,2008]中给出了为$S$构建FID的最新技术,使用$B(m,n)+O(m / ((\log m/ t) ^t)) + O(m^{3/4}) $位来支持$O(t)$时间中的操作。在这里,我们提出了一个参数化的数据结构,表现出时间/空间的权衡,这样,对于任何实常数$0 < δ\leq 1/2$,$0 < \eps \leq 1$,和整数$s > 0$,它使用\[ B(n,m) + O(n^{1+δ} + n (\frac{m…
2009-02-16 cs.DS
Dynamic Suffix Array in Optimal Compressed Space
本文提出首个支持后缀数组查询与更新的动态压缩数据结构,在对数多项式时间内运行,并达到δ-最优空间,填补了静态结构的空白。
2024-11-08 cs.DS
Compressed Index with Construction in Compressed Space
St. Petersburg State University(圣彼得堡国立大学)
本文提出一种压缩空间中压缩索引,空间复杂度为O(δlog(n/δ)),支持在O(m + (occ + 1)log^εn)时间内搜索任意长度为m的字符串,且可在O(nlogn)时间内构建,无需Karp-Rabin指纹。
2026-04-13 cs.DS
A Searchable Compressed Edit-Sensitive Parsing
提出了一种实用的编辑敏感句法分析(ESP)数据结构。给定一个字符串S,它的ESP树等价于只生成S的上下文无关文法G,它由DAG表示。利用树和置换的简洁数据结构,G被分解为两个LOUDS位串和一个数组(1+ε)n \log n+4n+o(n)位,其中0<ε<1,且G中的变量数n为任意.计算P在S中出现次数的时间为O(\frac{1} ε(m \log n+occ_c(\log m \log u)),其中m = |P|,u = |S|,occ_c是P和S的ESP中最大公共子树的出现次数。该指标的效率进行了评估的几个基准上进行的实验符合其他压缩指标。
2011-01-09 cs.DS
Optimal Rank and Select Queries on Dictionary-Compressed Text
我们研究的问题,支持查询的字符串$S$的长度$n$内的一个字符串吸引子$S$的大小$γ$有界的空间。最近的工作表明,在$O\left (γ \rm{polylog}\ n \right)$空间内,$S$上的随机访问可以在最佳$O(\log(n/γ)/\log\log n)$时间内得到支持。在本文中,我们将这一结果扩展到\emph{rank}和\emph{select}查询,并提供与我们的上界匹配的字母表的多对数大小的下限。我们的解决方案给出了一个空间-时间权衡的形式,这是更普遍的比以前已知的语法,并提高了现有的界限LZ 77压缩文本的$\log\log n$时间因子在\emph{select}查询。我们还提供了匹配的下限和上限为\emph{partial sum}和\emph{predecessor}查询吸引子有界空间内,并扩展我们的下限,包括导航字典压缩树表示。
2018-12-21 cs.DS
Universal Compressed Text Indexing
重复数据集的兴起最近引起了人们对基于字典压缩的压缩自索引的兴趣,这是一个丰富而异构的家族,以不同的方式利用文本重复。对于每种这样的压缩方案,在过去二十年中已经提出了几种不同的索引解决方案。迄今为止,重复文本的最快索引是基于行程压缩的Burrows-Wheeler变换和紧凑有向非循环词图。另一方面,最节省空间的索引是基于Lempel-Ziv解析和语法压缩的。还没有提出更普遍的方案,如拼贴系统和宏观方案的索引。最近,Kempa和Prezza [STOC 2018]表明,所有字典压缩器都可以被解释为最小字符串吸引子的近似算法,即捕获所有不同子串的一组文本位置。从这个观察开始,在本文中,我们开发了第一个通用的压缩自索引,也就是说,第一个基于字符串吸引子的索引数据结构,因此可以建立在任何字典压缩文本表示的顶部。令$γ$为长度为$n$的文本的字符串吸引子的大小。我们的索引采用$O(γ\log(n/γ))$空间字,并支持在$O(m\log n + occ\log^εn)$时间内,对于任何常数$ε>0$,定位任何长度为$m$的模式的$occ$出现。特别是,这是一般宏观计划和大学系统的第一个指数。我们的研究结果表明,索引和压缩之间的关系比以前认为的要深得多:所有字典压缩器的核心的简单属性足以支持快速索引查询。
2018-09-06 cs.DS
Time-Space Trade-Offs for Lempel-Ziv Compressed Indexing
给定字符串$S$,\emph{compressed indexing problem}用于将$S$预处理为支持快速\emph{substring queries}的压缩表示。其目标是在支持快速查询的同时,使用相对于$S$压缩大小的很少空间。我们提出了一个压缩索引的Lempel-Ziv 1977压缩方案的基础上。我们得到以下时间-空间权衡:对于恒定大小的字母表;(i)使用$O(z\lg(n/z)\lg\lg z)$空间的$O(m + occ \lg\lg n)$时间,或(ii)使用$O(z\lg(n/z))$空间的$O(m(1 + \frac{\lg^εz}{\lg(n/z)}) + occ(\lg\lg n + \lg^εz))$时间。对于由$n$多项式约束的整数字母表;(iii)使用$O(z(\lg(n/z) + \lg\lg z))$空间的$O(m(1 + \frac{\lg^εz}{\lg(n/z)}) + occ(\lg\lg n + \lg^εz))$时间,或(iv)使用$O(z(\lg(n/z) + \lg^ε z))$空间的$O(m + occ(\lg\lg n + \lg^ε z))$时间,其中$n$和$m$分别是输入串和查询串的长度,$z$是输入串的LZ 77解析中的短语的数目,$occ$是查询在输入中出现的次数,$ε> 0$是一个任意小的常数。具体地,(i)以将…
2018-01-09 cs.DS
Word Break on SLP-Compressed Texts
该研究提出首个求解SLP压缩文本上单词拆分问题的算法,给出时间复杂度上界与子串查询索引方案,并证明了对应组合算法的时间下界。
2025-03-31 cs.DS
Tight Lower Bounds for Central String Queries in Compressed Space
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
该研究推导了压缩空间下几乎所有基础字符串查询的紧下界,确立了查询最优时间复杂度的二分性,完善了压缩索引的理论基础,为后续数据结构研究指明方向。
2025-10-22 cs.DS
LZ-End Parsing in Compressed Space
我们提出了一个算法,构造的LZ-结束分析(LZ 77的变化)的一个给定的字符串的长度$n$在$O(n\log\ell)$预期的时间和$O(z + \ell)$空间,其中$z$是在分析和$\ell$是最长的短语的长度。作为一种选择,我们可以修复$\ell$(例如,到RAM的大小),从而获得具有相同功能和由$\ell$限制的短语长度的合理的LZ端近似。该改进的算法以流的方式对输入字符串w. h. p.进行一次从左到右的解析,并执行一次从右到左的解析以验证结果的正确性。通过实验比较这个版本与其他基于LZ 77的类似物,我们表明它具有实际意义。
2017-06-15 cs.DS
Pareto Optimal Compression of Genomic Dictionaries, with or without Random Access in Main Memory
动机:基因组词典,即,出现在基因组中的k-mer集合是基因组信息的基本来源:其收集是从组装到序列比较和同源性的战略计算方法的第一步。不幸的是,它的存储成本很高。这激发了最近关于这些k-mer集合的压缩的一些研究。然而,这样的领域不具有基因组压缩的成熟度,缺乏允许公平地比较可用解决方案的相对优点并且还考虑到可以使用的压缩方法的丰富选择的同质的和方法学上合理的实验基础。结果如下:我们在这里提供了这样一个基础,通过一组广泛的实验来支持它,这些实验使用参考数据集和一组精心选择的代表性数据压缩器。我们的研究结果突出了压缩器选择的范围,即压缩与后处理的帕累托最优性,后者在字典需要多次解压缩时非常重要。除了有用的迹象,在其他地方没有,这项研究提供了有兴趣在存储压缩形式的k-mer字典的研究人员,一个软件系统,可以很容易地用来探索帕累托最优的解决方案提供r一个给定的字典也提供。供货情况:该软件系统可在https://github.com/GenGrim76/Pareto-Optimal-GDC上获得,以及用户手册和安装说明。联系人:raffaele. unipa.it补充信息:补充材料中提供了其他数据。
2022-12-06 cs.DS q-bio.GN
Compressed Data Structures for Dynamic Sequences
我们考虑的问题存储一个动态字符串$S$在一个字母表$Σ=\{\,1,\ldots,σ\,\}$在压缩形式。我们的表示支持插入和删除的符号,并回答三个基本的查询:$\mathrm{access}(i,S)$返回$S$中的$i$ -th符号,$\mathrm{rank}_a(i,S)$计数有多少次一个符号$a$出现在$S$中的第一个$i$位置,和$\mathrm{select}_a(i,S)$发现的位置,一个符号$a$出现的$i$ -th时间。我们提出了第一个完全动态的数据结构,为任意大的字母表,实现最佳的查询时间为所有三个操作,并支持最坏情况下的时间保证更新。我们也是第一个完全动态的数据结构,只需要$nH_k+o(n\logσ)$位,其中$H_k$是$k$阶熵,$n$是字符串长度。此外,我们的表示支持提取的子串$S[i..i+\ell]$在最佳的$O(\log n/\log\log n + \ell/\log_σn)$时间。
2015-07-24 cs.DS
Compressed Indexing with Signature Grammars
压缩索引问题是将长度为$n$的字符串$S$预处理为支持模式匹配查询的压缩表示。也就是说,给定长度为$m$的字符串$P$,报告$S$中所有出现的$P$。我们提出了一种数据结构,支持模式匹配查询在$O(m + occ (\lg\lg n + \lg^εz))$时间使用$O(z \lg(n / z))$空间,其中$z$是$S$和$ε> 0$的LZ77解析的大小是一个任意小的常数,当字母表是小或$z = O(n^{1 - δ})$的任何常数$δ> 0$。我们还提出了两种数据结构的一般情况下,一个空间增加了$O(z\lg\lg z)$,和一个查询时间的变化从最坏的情况下预期。这些结果改进了以前最好的已知的解决方案。值得注意的是,这是第一个决定$P$是否在$O(m)$时间中使用$O(z\lg(n/z))$空间出现在$S$中的数据结构。我们的研究结果主要是通过一种新的随机语法构建算法与众所周知的技术相结合,模式匹配的2D范围报告。
2018-04-11 cs.DS
Approximating Dynamic Time Warping Distance Between Run-Length Encoded Strings
动态时间规整(DTW)是一种广泛使用的相似性度量,用于比较编码时间序列数据的字符串,其应用领域包括生物信息学,签名验证和语音识别。DTW的标准动态编程算法需要$O(n^2)$时间,并且存在条件下限,表明没有算法可以做得更好。然而,在许多应用程序中,字符串$x$和$y$可能包含长串的重复字母,这意味着它们可以使用行程长度编码进行压缩。一个自然的问题是这些压缩字符串之间的DTW距离是否可以根据压缩字符串的长度$k$和$\ell$有效地计算。最近的工作已经表明如何实现$O(k\ell^2 + \ell k^2)$时间,留下了一个开放的问题,是否可能存在一个近二次$\tilde{O}(k\ell)$时间算法。我们表明,如果一个小的近似损失是允许的,那么一个近二次时间算法确实是可能的:我们的算法计算$(1 + ε)$ -近似$DTW(x, y)$在$\tilde{O}(k\ell / ε^3)$的时间,其中$k$和$\ell$是在$x$和$y$运行的数量。我们的算法允许$DTW$计算在任何度量空间$(Σ, δ)$中的距离是$O(log(n))$位整数。令人惊讶的是,即使$δ$没有在$Σ$上引入度量空间(例如,$δ$不需要满足三角不等式)。
2022-07-02 cs.DS