Scalable spatial point process models for forensic footwear analysis

以下は、提示された論文「SCALABLE SPATIAL POINT PROCESS MODELS FOR FORENSIC FOOTWEAR ANALYSIS（法科学 footwear 分析のためのスケーラブルな空間点過程モデル）」の技術的サマリーです。

1. 問題の背景と定義

法科学捜査において、犯罪現場から回収された靴跡（シュープリント）は重要な証拠となります。従来の分析は、靴の製造元やモデル（クラス特性）の一致を確認するだけでなく、履き古しによる「偶然の傷（Accidentals: 切り傷、擦り傷、埋め込み物など）」の一致に依存しています。しかし、同じサイズ・メーカー・モデルの靴は数千足製造されるため、偶然の傷のパターンが一致する確率（ランダム・マッチ・プロバビリティ：RMP）を定量化することが、証拠の強さを評価する上で不可欠です。

既存の手法には以下の課題がありました：

• データの限界: 傷の位置が注釈付けられた履き古しの靴のデータベース（JESA データベースなど）は小規模であり、特定の靴種に特化した分布を推定するには不十分でした。
• 計算コスト: 既存の階層ベイズモデル（Spencer and Murray, 2020）は小規模データには有効でしたが、大規模データ（WVU データベース：1,300 足）へのスケーリングや計算効率が課題でした。
• 接触面の考慮不足: 多くの既存手法は、靴底の形状（接触面）を単純化するか、登録（アライメント）後の集計に留めており、特定の靴の接触面の微細な特徴と傷の発生確率の関係を十分にモデル化できていませんでした。

本研究の目的は、大規模データにスケーラブルでありながら、靴底の接触面の特徴と偶然の傷の位置の関係を高度に表現できるモデルを開発することです。

2. 提案手法（Methodology）

本研究は、靴の接触面（Contact Surface）を条件とした、靴底上の偶然の傷の空間配置をモデル化するために、**潜在ガウスモデル（Latent Gaussian Model, LGM）**に基づく階層ベイズ空間点過程アプローチを提案しています。

データ前処理

• データソース: ウェストバージニア大学（WVU）のデータベース（1,300 足の履き古し靴）を使用。
• 接触面の処理: 高解像度の靴跡画像を処理し、グリッド化（39×91 ピクセル）して接触面の強度（グレースケール値）を連続値として捉えます。また、画像の勾配（エッジ情報）も特徴量として抽出します。
• 偶然の傷の定義: 各グリッドセルにおける傷の数をカウントし、ポアソン分布に従う空間点過程として扱います。

モデル定式化

傷の発生強度 $\lambda_{s,a}$（靴 $s$、グリッド $a$ における）の対数線形モデルを以下のように定義します：
$$\log(\lambda_{s,a}) = \beta^{\text{smooth}}_a + \beta^{\text{shoe}}_s + \sum_{i \in I} x^i_{s,a} \beta^i_f + \sum_{i \in I^*} x^i_{s,a} \beta^i_{sv, a}$$

• $\beta^{\text{smooth}}_a$: 全靴に共通する空間的な平滑化トレンド（ベスガ依存構造を使用）。
• $\beta^{\text{shoe}}_s$: 靴ごとのランダム切片（全体の傷の数の変動を捉える）。
• 固定効果 ($\beta^i_f$): 接触面のピクセル強度、画像勾配、およびそれらの相互作用（近隣ピクセルを含む）の効果を捉える。
• 空間的に変化する係数 ($\beta^i_{sv, a}$): 本研究の核心。接触面の特徴（ピクセル強度や勾配）が、場所（グリッド位置）によって傷の発生確率に与える影響が異なることをモデル化します。例えば、つま先部分ではエッジ情報が重要だが、かかと部分ではそうでない、といった非線形な関係を捉えます。

推論手法

• INLA (Integrated Nested Laplace Approximations): 従来の MCMC では計算不可能な大規模パラメータ空間（約 1.4 万パラメータ）を効率的に推論するために、INLA を採用しました。これにより、ベイズ推論を高速かつ正確に行うことが可能になりました。
• 特徴量: 接触面の二値化（閾値処理）ではなく、連続値の接触面強度と、**画像勾配（Sobel 変換）**を直接モデルに組み込みました。

3. 主要な貢献 (Key Contributions)

1. スケーラビリティの実現: 潜在ガウスモデルと INLA を組み合わせることで、小規模な JESA データベース（386 足）から、大規模な WVU データベース（1,300 足）へモデルを拡張し、計算コストを劇的に削減しました。
2. 空間的に変化する係数の導入: 靴底の特定の部位（例：つま先、かかと、アーチ）において、接触面の特徴（強度やエッジ）が傷の発生に与える影響が異なることを明示的にモデル化しました。これにより、既存の「全体的な熱マップ」手法よりも精緻な予測が可能になりました。
3. 連続値接触面の活用: 既存研究で用いられていた二値化（接触/非接触）された接触面画像ではなく、連続的なグレースケール強度と画像勾配を特徴量として使用し、より豊富な情報をモデルに組み込みました。
4. 解釈可能性と性能の両立: 複雑な深層学習モデルではなく、統計的に解釈可能な空間点過程モデルを構築し、法科学分野での証拠評価の透明性を保ちつつ、予測精度を向上させました。

4. 結果と評価 (Results)

• 評価指標: 10 分割交差検証（10-fold cross-validation）を用い、保持されたデータ（held-out data）に対する多項分布の対数尤度を指標としてモデル性能を比較しました。
• 性能比較:
  • 提案モデル（M(Final)）は、一様分布モデル（Stone, 2006）、接触面を考慮しない空間平滑化モデル（Yekutieli et al., 2012）、および既存の二値接触面モデル（Spencer and Murray, 2020）をすべて上回りました。
  • 特に、接触面情報を含まないモデルや、画像勾配を含まない変種モデルに比べて、予測精度が顕著に向上しました。
  • ロバスト性: 性能が低い靴（テール部分）においても、提案モデルは既存手法よりも安定した性能を示しました。これは、法科学において「誤った証拠評価」のリスクが最も高い領域での信頼性向上を意味します。
• 知見:
  • 接触面の強度が高い領域（特に内側のつま先、内側のかかと）で傷の発生確率が高いことが確認されました。
  • アーチ部分やつま先・かかとの先端では、接触面に関わらず傷の発生確率が低い傾向が見られました。
  • 画像勾配（エッジ）の影響は場所によって異なり、空間的に変化する係数によって捉えることでモデルの適合度が向上しました。

5. 意義と結論 (Significance)

本研究は、法科学 footwear 分析における「偶然のマッチング確率」の推定を、データ駆動型かつ計算的にスケーラブルな手法へと進化させました。

• 法科学的意義: 従来の経験則や単純な統計モデルに依存していた証拠評価を、大規模データと高度な統計モデルに基づいた客観的な確率推定へと移行させる基盤を提供しました。これにより、裁判所における証拠の重み付けがより正確に行えるようになります。
• 方法論的意義: 空間点過程と潜在ガウスモデルの枠組みを、画像特徴量（接触面、勾配）と結びつけることで、複雑な物理的プロセス（靴の摩耗と傷の発生）を統計的に記述する新しいアプローチを示しました。
• 今後の展望: 本研究は実験室で生成された高品質なデータに基づいていますが、実際の犯罪現場では部分的でノイズの多いデータが一般的です。今後は、実験室データから現場データへの一般化、および登録手法のさらなる改良が課題となります。

総じて、この研究は、大規模データとスケーラブルなベイズ推論を組み合わせることで、法科学 footwear 分析の精度と信頼性を大幅に向上させる可能性を示唆しています。