技術的概要：幾何学的に意識した単体メッセージパッシング

問題定義

グラフニューラルネットワーク（GNN）の表現力は、伝統的にウィスフェイラー・レフマン（WL）テストによって特徴付けられてきた。この枠組みは、単体複素に対しては単体 WL（SWL）テストおよびメッセージパッシング単体ネットワーク（MPSN）を介して拡張されてきた。しかし、重要な限界が存在する。すなわち、標準的な WL テストも SWL テストも組合せ的である点である。これらは複素のアブストラクトな結合構造（接続性）のみで動作する。その結果、これらは「幾何学に盲」である。つまり、頂点 - 辺 - 三角形の接続性が同一であるが、頂点座標（埋め込み）が異なる 2 つのメッシュは、これらのモデルにとっては区別不可能である。

点群やグラフ向けの幾何学的 GNN は存在する（多くは $E(n)$-等変性に焦点を当てている）が、埋め込まれた単体複素（メッシュ）に特化した単体メッセージパッシングの表現力を特徴付ける理論的枠組みは欠如している。目標は、対称群までではなく、再ラベルリングまでで幾何学的埋め込みを区別できるかどうかを、メッセージパッシングスキームが決定できるかどうかを明らかにすることである。

手法

1. 幾何学的単体ウィスフェイラー・レフマン（GSWL）テスト

著者は、幾何学的情報を取り込むように設計された SWL テストの改良版である GSWL を導入する。

• 初期化: 同一次元のすべての単体を均一な色で初期化する SWL と異なり、GSWL は頂点をその座標（$x_v \in \mathbb{R}^d$）で初期化する。高次元の単体は、頂点座標の置換不変関数（例：辺の中点、長さ、三角形の重心、面積）で初期化される。
• 洗練: テストは、SWL と同じ隣接構造を用いて色を反復的に洗練する。境界（単体の面）と余境界（単体を含む余面）である。
• メカニズム: 反復的なメッセージパッシングを通じて、頂点座標はハッセ図を伝播する。著者は、$L \geq k$ ステップ後、$k$-単体の色がその頂点の座標の順序なし集合を決定することを証明する。

2. 幾何学的に意識した単体アーキテクチャ

論文は、GSWL 更新規則を反映するメッセージパッシングアーキテクチャを提案する。

• 更新規則: 各単体 $\sigma$ は、その境界面（$\partial\sigma$）および余境界の余面（$\text{coface}(\sigma)$）からのメッセージを集約し、現在の状態と組み合わせることで、隠れ状態を更新する。
• 初期化: アーキテクチャは、GSWL で使用される座標由来の特徴に適用されるエンコーダ $E$ で初期化される。
• 読み出し: グローバルな読み出しが、最終的な単体状態を集約する。

3. オイラー特性変換（ECT）との関連

幾何学的な特徴付けを提供するために、著者は GSWL を**オイラー特性変換（ECT）**と関連付ける。

• ECT は、部分レベル集合のオイラー特性を追跡することにより、埋め込まれた複素を方向と閾値の関数に写像する。
• 重要なのは、ECT が埋め込まれた単体複素に対する完全不変量である点である。すなわち、$ECT(K, x) = ECT(K, x')$ならば、埋め込み$x$と$x'$ は（再ラベルリングを除いて）同一である。
• 著者は、提案されたアーキテクチャが、ECT の計算に必要な臨界値である任意の方向における単体の進入時刻を復元できることを示す。

主要な貢献

1. GSWL の定義: 座標由来の特徴と境界/余境界の隣接関係を用いて色を洗練する、SWL テストの幾何学的バージョンの導入。
2. 表現力の境界:
   • 上限: 任意の幾何学的に意識した単体メッセージパッシングスキームの表現力は、GSWL によって上限付けられる（定理 2）。
   • 下限（実現可能性）: 任意の固定された有限の埋め込まれた単体複素の族に対して、アーキテクチャが GSWL の識別能力と一致するパラメータが存在する（定理 3）。
3. ECT の復元:
   • 完全復元: 有限の族において、アーキテクチャはサンプリングされた ECT 値を正確に計算できる（定理 4）。
   • 近似: 有界な埋め込みのクラスにおいて、アーキテクチャは座標摂動に対する ECT の安定性を活用し、任意の精度で完全な ECT 関数を近似できる（定理 6）。
4. 実験的検証: 接続性が一定である幾何学的タスクにおいて組合せモデルが失敗し、幾何学的に意識したモデルが成功することを示す、理論的階層の実証的検証。

結果

理論的知見

• 座標の復元: 十分な深さ（$L \geq \dim(K)$）が与えられれば、アーキテクチャは単体状態から頂点座標を復元できる。
• 完全性: ECT が完全不変量であるため、ECT を（近似であっても）実現することは、任意の 2 つの非等価な埋め込まれた複素を区別する能力を意味する。
• 余境界の必要性: 理論的および実験的結果は、高次元単体から低次元単体への情報流（余境界メッセージ）が、曲率のような幾何学的性質を復元するために不可欠であることを確認している。

実験的知見

著者は、合成三角分割、多様体三角分割（MANTRA）、および人体メッシュ（FAUST）上でモデルを評価した。

• 変形分類（合成）: 抽象的な接続性は同一だが幾何学的変形が異なるデータセットにおいて、組合せ的 SMP（SWL に相当）は偶然の確率（0.240）で動作したが、幾何学的に意識した SMP は完全な精度（1.000）を達成した。
• ECT 回帰: 幾何学的に意識したモデルは、サンプリングされた ECT ベクトルの回帰において、組合せ的ベースラインと比較して平均二乗誤差（MSE）を 3 倍削減した。
• ポーズ分類（FAUST）: 単調な階層が観察された。組合せ的 SMP（0.062）< DeepSets/GCN $\approx$ 0.74 < GIN（0.80）< 幾何学的に意識した SMP（0.838）。すべての FAUST メッシュが同じ抽象的複素を共有するため、組合せ的モデルは定数出力に収束した。
• 曲率予測: 除去実験により、余境界メッセージを除去すると性能が頭打ちになることが示され、頂点の曲率を予測するには三角形レベルの情報が必要であることが確認された。
• 汎化性: モデルは、ランダムな頂点の再ラベルリング下（等変性）で高い精度を維持し、異なるトポロジカルなタイプ（球、トーラスなど）間で一貫した性能を示した。

意義と主張

本論文は、グラフに対する WL-GNN 同等性にならって、単体メッセージパッシングに対する幾何学的表現力の特徴付けを確立すると主張する。

• 理論的架け橋: 組合せ的トポロジー（SWL）と幾何学的解析（ECT）の間のギャップを埋め、局所的なメッセージパッシングが完全な幾何学的不変量を復元できることを示す。
• 表現力の階層: 接続性が同一であっても、タスクが埋め込み情報に依存する場合、幾何学的に意識したモデルが組合せ的モデルを厳密に凌駕するという明確な階層を実証する。
• ECT の役割: 著者は、ECT がグラフに対する WL テストが果たす役割を、埋め込まれた単体複素に対して果たすと仮定する。すなわち、幾何学的構造を区別するためのゴールドスタンダードとして機能する。
• 謙虚さ: 著者は限界を認め、合成実験は急速に飽和し、FAUST データセットにおける統計的有意性はサンプルサイズによって制限されていると指摘する。ベンチマークにおいて専門的な形状解析手法を上回ると主張するのではなく、表現力に対する構造レベル（頂点、辺、三角形）の寄与を分離することを目的としている。

要約すると、本論文は、単体複素の幾何学を完全に捉えるためには、メッセージパッシングスキームは座標で初期化され、境界および余境界の両方の隣接関係を利用しなければならないと論じている。これにより、ECT のような完全な幾何学的不変量の復元が可能になる。