GaKCo：一种利用计数的快速带隙 k-mer 字符串核

字符串核（SK）技术，尤其是那些使用带隙 $k$-mer 作为特征（gk）的技术，在分类 DNA、蛋白质和文本等序列方面取得了巨大成功。然而，最先进的 gk-SK 在增大字典大小（$\Sigma$）或允许更多错配（$M$）时运行极慢。这是因为当前的 gk-SK 使用基于字典树（trie）的算法来计算错配子串的共现，导致时间成本与 $O(\Sigma^{M})$ 成正比。我们提出了一种用于计算带隙 $k$-mer 核（GaKCo）的快速算法，该算法利用计数（Counting）。GaKCo 使用关联数组通过累积计数来计算子串的共现。该算法快速、可扩展到更大的 $\Sigma$ 和 $M$，并且天然可并行化。我们提供了将 GaKCo 与最先进的 gk-SK 进行比较的严格渐近分析。理论上，GaKCo 的时间成本独立于拖慢基于字典树方法的 $\Sigma^{M}$ 项。实验上，我们观察到 GaKCo 达到了与最先进方法相同的准确率，并且在 DNA（5个数据集）、蛋白质（12个数据集）和基于字符的英文文本（2个数据集）序列分类上，速度分别提升了 2、100 和 4 倍。GaKCo 作为开源工具共享于 \url{https://github.com/QData/GaKCo-SVM}