小波森林的另一优势？

对于字母表大小为 $\sigma$ 的文本 $T [1..n]$，小波森林占用 $n H_0 (T) + o (n \log \sigma)$ 比特空间，并在 $O (\log \sigma)$ 时间内支持对 $T$ 的访问与 rank 操作。Kärkkäinen 与 Puglisi（2011）隐式引入了小波森林，并表明当 $T$ 是字符串 $S$ 的 Burrows-Wheeler 变换（BWT）时，即便森林使用未压缩的位向量实现，用于 $T$ 的小波森林所占空间也受 $S$ 的高阶经验熵约束。在本文中，我们通过实验表明，小波森林还具有比小波树更好的访问局部性，因此即便高阶压缩在 $S$ 上无效，或 $T$ 根本不是 BWT 时，也颇具研究价值。