🤖 machine learning

FI-KAN: Fractal Interpolation Kolmogorov-Arnold Networks

本論文は、非滑らかな関数近似の課題を解決するため、反復関数系に基づく学習可能なフラクタル補間関数基底を Kolmogorov-Arnold ネットワーク（KAN）に統合した「FI-KAN」を提案し、滑らかさの異なる多様なタスクにおいて既存の KAN を大幅に上回る性能と、学習されたフラクタル次元による解釈可能性の実証を示しています。

原著者： Gnankan Landry Regis N'guessan

公開日 2026-03-31

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Gnankan Landry Regis N'guessan

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、人工知能（AI）が「滑らかでないもの」を学ぶのを助けるための新しい仕組み「FI-KAN」を紹介するものです。

難しい数式や専門用語を抜きにして、日常の言葉と面白い例え話を使って説明します。

1. 問題：AI は「なめらかなもの」しか描けない？

まず、今の AI（特に「KAN」と呼ばれる新しいタイプの AI）が抱えている問題を考えましょう。

今の AI の描き方：
今の AI は、絵を描くときに「なめらかな曲線（B スプライン）」を使います。これは、滑らかな山や川、なめらかな顔の輪郭を描くには最高です。
しかし、世の中には「ザラザラしたもの」も多い：
雲の形、海岸線の波、株価の動き、地震の揺れ、あるいは傷ついた皮膚の表面など、これらは「なめらか」ではなく、どこまで拡大しても「ザラザラ」している（フラクタルな）性質を持っています。

例え話：
「なめらかな曲線」で描いたペンキの筆跡を使って、**「ザラザラした砂漠の砂」**を表現しようとしているようなものです。
AI は「もっと細い筆で描けばいい」と考え、筆を細くしますが、砂の粒の複雑さを表現するには、筆の形そのものが「砂の粒」のようにザラザラしている必要があります。今の AI は、その「ザラザラした筆」を持っていなかったのです。

2. 解決策：FI-KAN（フラクタル・インターポレーション KAN）

この論文が提案したのは、**「AI の筆（関数）自体を、目標に合わせて変形させる」**というアイデアです。

新しい筆（FI-KAN）：
この新しい AI は、筆の形を「なめらかな曲線」から「ザラザラしたフラクタル（自己相似）の形」へと、学習しながら自由自在に変えられます。
2 つのタイプ：
1. Pure FI-KAN（純粋なタイプ）：
  筆を完全に「ザラザラした砂」の形に変えます。砂漠を描くには最高ですが、滑らかな空を描こうとすると、逆に汚く描けてしまいます。
2. Hybrid FI-KAN（ハイブリッド・タイプ）：
  これが今回の「主役」です。
  - ベース： なめらかな曲線（従来の AI の筆）を保持します。
  - 追加： 必要に応じて「ザラザラした修正」を足します。
  - 仕組み： 滑らかな空なら「なめらかな筆」だけで描き、砂漠なら「なめらかな下書き」の上に「ザラザラした修正」を乗せます。

例え話：

Pure タイプ： 砂漠の絵を描くために、すべてを砂で固めた筆を使います。砂漠には完璧ですが、お菓子の滑らかな表面を描こうとすると、お菓子がボロボロになってしまいます。
Hybrid タイプ： まず滑らかな筆で下書きをし、必要な部分だけ「ザラザラした粉」をパラパラと振りかけます。滑らかなお菓子も、ザラザラした砂漠も、どちらもうまく描けます。

3. なぜこれがすごいのか？（実験の結果）

この新しい AI は、従来の AI と比べて驚くほど良い結果を出しました。

滑らかなもの（数学的な曲線など）：
従来の AI とほぼ同じか、少し良い結果でした（ハイブリッドタイプなら、なめらかな部分も完璧に描けます）。
ザラザラしたもの（フラクタルな図形や、乱れたデータ）：
ここが圧倒的です。従来の AI が「なめらかな筆」で必死に描こうとして失敗していたものを、**「6 倍〜79 倍」**も正確に描くことができました。
- 例え： 従来の AI が「なめらかなペン」で「ザラザラした岩肌」を描こうとして、100 回失敗したとします。新しい AI は「岩肌のような筆」を使えば、1 回で完璧に描けてしまいます。

4. 特別機能：AI が「難しさ」を自分で見極める

この AI の面白いところは、「どのくらいザラザラしているか」を自分で判断して調整する点です。

学習中の AI：
「あ、このデータは滑らかだな」と思えば、筆を滑らかにします。「あ、これはザラザラしているな」と思えば、筆をザラザラにします。
オッカムの剃刀（無駄を省く原則）：
必要以上に複雑にしようとしません。「滑らかで済むなら、わざわざザラザラにしない」という賢い判断もします。これにより、AI は無駄な計算をせず、必要な部分だけに集中できます。

5. 実社会での活用例

この技術は、単なる数学の遊びではなく、現実の難しい問題を解くのに役立ちます。

気象予報： 雲や嵐の複雑な動きを予測する。
地震工学： 震度の揺れや地盤の複雑な動きをシミュレーションする。
医療： 心電図や脳波のような、一見ノイズの多いが実は複雑なパターンを持つ生体信号を分析する。
材料科学： 金属の割れ目や、複雑な地形の表面を解析する。

まとめ

この論文は、**「AI に『なめらかな筆』だけでなく、『ザラザラした筆』も持たせよう」**と提案しています。

従来の AI： 何でもかんでも滑らかにしようとする。
新しい FI-KAN： 対象に合わせて、筆の形（滑らかさか、ザラザラさか）を学習して変える。

これにより、AI はこれまで苦手としていた「複雑で荒々しい現実世界」の現象を、より正確に、より少ない計算で理解できるようになります。まるで、画家が描く対象に応じて、筆の形を自由自在に変えるようになったようなものです。

FI-KAN: Fractal Interpolation Kolmogorov–Arnold Networks 技術概要

この論文は、Kolmogorov–Arnold Networks (KAN) の枠組みに**フラクタル補間関数（Fractal Interpolation Functions: FIF）**を統合した新しいニューラルネットワークアーキテクチャ「FI-KAN」を提案しています。従来の KAN が滑らかな B-スプライン基底を使用しているのに対し、FI-KAN は学習可能なフラクタル基底を導入することで、非滑らか（ラフ）な関数やフラクタル構造を持つ対象の近似能力を飛躍的に向上させます。

以下に、問題定義、手法、主要な貢献、実験結果、そして意義について詳細にまとめます。

1. 背景と問題定義

従来の KAN の限界

Kolmogorov–Arnold Networks (KAN) は、固定された活性化関数の代わりに、エッジ上で学習可能な一変数関数（通常は B-スプライン）を使用するネットワークです。B-スプラインは滑らかな関数（多項式や高次微分可能な関数）の近似において非常に優れていますが、以下のような科学的・工学的な対象には根本的なミスマッチが生じます。

非滑らかな関数: 乱流の速度場、金融時系列、骨折面、自然地形、生体信号など。
フラクタル特性: 自己相似性や至る所微分不可能な性質を持つ関数。
Hölder 正則性: 滑らかさの指数 $\alpha < 1$ を持つ関数。

滑らかな基底関数（B-スプラインや MLP の活性化関数）で、フラクタル次元 $dim_B > 1$ の関数を近似する場合、近似誤差を小さくするために基底関数の数を指数関数的に増やす必要があり、多項式再現性の利点が失われます。

解決策の必要性

対象関数の幾何学的な正則性（滑らかさ）と、ネットワークが使用する基底関数の幾何学的な正則性を**一致させる（Regularity-matching）**ことが、効率的な近似の鍵となります。

2. 提案手法：FI-KAN

FI-KAN は、反復関数系（Iterated Function System: IFS）理論に基づいた**フラクタル補間関数（FIF）**を基底関数として KAN に組み込みます。IFS の垂直方向の縮小係数（contraction parameters） $\{d_i\}$ を学習可能なパラメータとして扱い、エッジごとの基底関数が持つフラクタル次元を連続的かつ微分可能に調整できるようにしています。

2.1 2 つのアーキテクチャ変種

Pure FI-KAN (Barnsley フレームワーク)
- B-スプラインを完全に FIF 基底に置き換えます。
- 縮小係数 $d_i$ が 0 の場合、FIF は区間ごとの線形関数（ハット関数）に退化します。
- $d_i \neq 0$ になると、基底関数はフラクタル構造を持ち、フラクタル次元 $dim_B > 1$ となります。
- 特徴: ラフな対象に対して非常に強力ですが、滑らかな対象（多項式など）の近似には不向きです（多項式再現性が低いため）。
Hybrid FI-KAN (Navascués フレームワーク)
- $\alpha$ -フラクタル分解 $f^\alpha_b = b + h$ を実装します。
- スプライン経路 ( $b$ ): 従来の KAN の B-スプライン経路を維持し、滑らかな構造を捉えます。
- フラクタル補正経路 ( $h$ ): 並列に FIF 経路を追加し、スプラインが捉えきれないラフな残差（フラクタル構造）を学習します。
- 特徴: 滑らかな対象でも B-スプラインが主役となるため高性能を維持しつつ、ラフな対象ではフラクタル経路が有効に働くため、全正則性スペクトルにわたってロバストです。

2.2 学習可能なフラクタル次元

IFS の縮小係数 $d_i$ は学習パラメータであり、これにより各エッジの基底関数のフラクタル次元 $dim_B$ がデータに応じて自動的に適応します。

$d_i = 0 \implies dim_B = 1$ (滑らか/線形)
$d_i \neq 0 \implies dim_B > 1$ (ラフ/フラクタル)

2.3 フラクタル次元正則化 (Fractal Dimension Regularizer)

不要なフラクタル複雑さを抑制するための正則化項を導入します。
$R_{fractal} = \sum (dim_B(d) - 1)^2$
これは「オッカムの剃刀」の幾何学的版であり、データがフラクタル構造を示さない限り、ネットワークは自動的に滑らかな基底（ $dim_B \approx 1$ ）を選択するように誘導されます。

3. 主要な貢献

フラクタル近似理論に基づく 2 つのアーキテクチャ:
既存の KAN を単に修正するのではなく、Barnsley と Navascués の数学的枠組みに基づいた Pure と Hybrid の 2 種類を提案し、基底の幾何学構造が近似性能に決定的な影響を与えることを実証しました。
学習可能なフラクタル次元:
滑らかからラフまで連続的に変化する基底関数をデータから学習する「ノブ（knob）」を提供します。
幾何学的複雑さの制御:
パラメータ数ではなく、基底関数の幾何学的複雑さ（フラクタル次元）を制御する正則化項を導入し、解釈可能性を向上させました。
包括的な実験的検証:
Hölder 正則性スペクトル全体（ $\alpha \in [0.2, 2.0]$ ）および非滑らかな偏微分方程式（PDE）の解に対して、FI-KAN が KAN や MLP を凌駕することを示しました。
正則性マッチング仮説の検証:
Pure と Hybrid の性能差を通じて、基底関数の「数」だけでなく「幾何学的構造」が重要であることを実証しました。

4. 実験結果

4.1 1 次元回帰と Hölder 正則性スウィープ

Hölder 指数 $\alpha \in [0.2, 2.0]$ 全体で Hybrid FI-KAN が最良:
- 滑らかな対象 ( $\alpha=2.0$ ) でも KAN より 28.7 倍 低誤差。
- ラフな対象 ( $\alpha=0.2$ ) でも KAN より 1.3 倍 低誤差。
- 特に $\alpha=1.5$ の領域では 33 倍 の改善が見られました。
Pure FI-KAN の振る舞い:
- ラフな対象（フラクタル）では KAN を上回りますが、滑らかな対象（多項式）では B-スプラインに劣ります。これは「基底の幾何学が重要である」という仮説を裏付ける証拠です。

4.2 パラメータ数一致時の比較

パラメータ数を KAN と同等に調整しても、Hybrid FI-KAN は多項式近似で 13.2 倍、锯齿状（sawtooth）フラクタルで 2.5 倍 の性能向上を示しました。

4.3 ノイズ耐性

フラクタル対象（Weierstrass 関数、sawtooth）において、Hybrid FI-KAN は KAN より 3〜6 倍 高いノイズ耐性を示しました。フラクタル基底のマルチスケール特性が、 Implicit なデノイジングとして機能していると考えられます。

4.4 非滑らかな PDE 解への適用

scikit-fem や厳密解を用いた PDE 数値解の近似において、Hybrid FI-KAN は劇的な改善を示しました。

粗い係数を持つ拡散方程式: KAN に対して 65〜79 倍 の MSE 改善。
L 字型領域の角特異性: KAN に対して 3.5 倍 の改善。
確率的熱方程式: ノイズ強度に応じて 6.5〜25 倍 の改善。

4.5 フラクタル次元の解釈性

学習されたフラクタル次元は、対象関数の正則性と相関していました。

滑らかな対象 ( $\alpha=2.0$ ) $\rightarrow$ 学習された $dim_B \approx 1.0$ (フラクタル経路が非活性)。
ラフな対象 $\rightarrow$ 学習された $dim_B > 1.1$ (フラクタル経路が活性)。
これにより、学習された $dim_B$ が対象の正則性を推定する診断ツールとして機能することが示されました。

5. 意義と結論

FI-KAN は、ニューラル関数近似において**「基底関数の幾何学的正則性を対象関数の正則性に合わせる」**という原理的な戦略の有効性を確立しました。

科学的意義: 従来のニューラルネットワーク（MLP や KAN）が暗黙的に「滑らかさ」を仮定しているのに対し、FI-KAN はデータから非滑らかさやフラクタル構造を学習し、適応的な基底を構築できます。
実用的応用: 地下水流、非凸領域の PDE、確率的 PDE、地物理信号、生体信号など、非滑らかな構造が一般的である科学分野において、従来の手法では解決が難しかった問題に対する強力なアプローチとなります。
今後の展望: 物理情報ニューラルネットワーク（PINN）との統合や、高次元問題への拡張が今後の課題ですが、特に「構造化されたラフさ（PDE 由来のラフさなど）」を持つ問題において、FI-KAN は画期的な性能向上をもたらすことが示されました。

この研究は、ニューラルアーキテクチャ設計において、単なるパラメータ数の増加ではなく、基底関数の幾何学的構造の適応が、非滑らかな関数近似の鍵であることを実証しました。