技術的概要：Prism – 双対性制約付きラプラシアン射影による構造的対称性走査

1. 問題定義

ネットワーク分析は、現実世界のグラフが持つノイズの性質と、分析者が特定しようとする離散的で鋭い構造的性質（例：コミュニティ所属、レジーム遷移）との間に根本的な緊張関係に直面しています。グラフラプラシアン $L$ とその固有ベクトル（Fiedler ベクトルなど）に依存する従来のスペクトル法は、ノイズに対して極めて敏感です。エッジ重みのわずかな摂動が固有ベクトルの符号を反転させ、コミュニティ割り当ての精度を急速に劣化させます。さらに、ランダム行列理論（RMT）閾値処理などの既存のノイズ耐性技術は、構造的な情報を無差別に破棄する傾向があり、グラフニューラルネットワーク（GNN）はラベル付き訓練データを必要とし、未見の構造的レジームへの汎化に失敗します。

本論文は、この問題を再定義することを提案します。「このグラフにはどのようなコミュニティが存在するか？」と問うのではなく、「このグラフは自然な構造的対称性を満たすことからどの程度乖離しているか？」と問うのです。これにより、分類タスクが連続的な測定問題へと変換され、「双対性欠損（duality defect）」と呼ばれるスカラー診断指標が得られます。

2. 手法

2.1 双対性制約

この枠組みの中核は、グラフラプラシアン $L \in \mathbb{R}^{n \times n}$ と対称な対合（双対性演算子）$P$（ここで $P^2 = I$ かつ $P = P^\top$）に対して定義される双対性制約です：
$$[L, P] = LP - PL = 0$$
この交換子が消滅するとき、$L$ と $P$ は固有基底を共有し、ネットワークが明確に 2 つの鏡像セクターに分解されることを意味します。この制約の違反は、双対性欠損 $\delta(L, P)$ によって測定されます：
$$\delta(L, P) = \frac{\|LP - PL\|_F}{\|L\|_F}$$
ここで $\|\cdot\|_F$ はフロベニウスノルムを表します。欠損がゼロであることは $P$ 下での構造的自己整合性を示し、欠損の増大は対称性の破れをシグナリングします。

2.2 Prism フレームワーク

Prism は 2 つのモードで動作します：

A. 教師ありモード（固定 $P$）：
既知の $P$（特定の構造的仮説を符号化）が与えられた場合、Prism は交換子制約 $[L', P] = 0$ を満たす最も近いラプラシアン $L'$ を計算します。これは $P$ の可換環への閉形式の直交射影によって達成されます。$P = U\Lambda U^\top$ が $P$ の固有値分解であるとき、射影は以下のように表されます：
$$L' = U \Pi(U^\top L U) U^\top$$
ここで、$\Pi(M)_{ij} = M_{ij}$ は $\lambda_i = \lambda_j$ の場合、そうでない場合は $0$です。この操作は$P$ 固有基底における非ブロック成分をゼロにすることで、パラメータ不要の正確な解を提供します。

B. 教師なしモード（$P$ の学習）：
外部の $P$ が利用できない場合、Prism は交互最適化を用いてグラフ自体から双対性演算子を学習します：

1. 初期化： $P^{(0)}$ はグラフの Fiedler ベクトル（$v_2$）から導出されます。ノードは $v_2$ によってソートされ、$k$ と $n+1-k$ がペアリングされて、グラフの内在的な鏡像構造を捉える置換行列 $P$ が形成されます。
2. 交互ステップ：
   • $L'$ の更新：現在のラプラシアンを現在の $P$ の可換環へ射影します（閉形式）。
   • $P$ の更新：$P^2=I$ かつ $P=P^\top$ の制約下で $\|[L', P]\|_F^2$ を最小化します。これは、対合制約を強制する「スナップ」ステップを伴う L-BFGS-B によって解かれます。
3. 終了： このプロセスは欠損 $\delta$ が収束するまで反復されます。

2.3 理論的動機

制約 $[L, P] = 0$ は、量子力学におけるパリティ対称性の離散アナログです。パリティ演算子と交換するハミルトニアンは、独立した偶数セクターと奇数セクターに分解されます。著者らは、交換子 $[L, P]$ が量子グラフから解析的整数論の Weil 明示公式に至るまで、スペクトル理論における自然な対象であり、文脈を越えて現れると指摘しています。Prism において、欠損 $\delta$ は、最も近いパリティ対称ラプラシアンまでのフロベニウス距離を定量化します。

3. 主要な貢献

• 閉形式射影： 双対性演算子の可換環へのラプラシアンの正確でパラメータ不要な射影。
• 教師なし学習： 外部参照なしにグラフの Fiedler ベクトルから直接双対性演算子 $P$ を学習する交互最適化アルゴリズム。
• 構造的健全性指標： 双対性欠損が、モジュラリティや任意のインデックス反転ベースラインなどの標準的な指標よりも構造的劣化に対して証明上敏感である連続的で解釈可能なスカラーであることを示した実証。
• ノイズ耐性： エッジノイズ下でのコミュニティ検出において、Prism が生のスペクトルクラスタリングや RMT ノイズ除去を大幅に凌駕することを示すベンチマーク。
• 金融応用： 相関ベースの手法には見えない構造的ストレスを検出する欠損の能力を実証する、S&P 500 データへのライブおよび歴史的応用。

4. 実験結果

4.1 合成ネットワークの感度

既知の双対性対称性を持つ合成ネットワーク（$n=40$）において：

• True-P 欠損： 0.000 から開始し、エッジが再配線されるにつれて単調に上昇し、単位再配線分数あたり**+0.566**の感度を示しました。
• インデックス反転欠損： 高く（0.567）開始し、低い感度（+0.168）で上昇し、ノイズとして機能しました。
• モジュラリティ： +0.429 の感度を示しました。
• 発見： 意味のある $P$ は、任意の $P$ に対して構造的劣化に対する欠損の感度を3.38 倍にし、モジュラリティよりも感度が高いことを示しました。

4.2 コミュニティ検出の堅牢性（Zachary の空手クラブ）

エッジノイズレベル（$\epsilon$）において：

• 5% ノイズにおいて、Prism は94.5%の精度を達成し、生のラプラシアンベースラインの76.6%、RMT の**61.4%**を上回りました。
• Prism はテストされたすべてのノイズレベル（0% から 20%）でベースラインを上回り、双対性制約がラベルなしで割り当てを安定化させる構造的事前分布として機能することを確認しました。

4.3 金融リスク検出（S&P 500）

• ライブデータ（2026 年 5 月）： Prism は、表面の相関が低く（0.151）保たれている間、構造的ストレスの上昇（90 日間で 0.43 から 0.73 へ欠損が増加）を検出しました。このシグナルは相関ベースの手法には見えませんでした。
• 歴史的バックテスト（2011–2020）： 5 つの主要なストレスイベント（例：2011 年の格下げ、2018 年の FRB パニック、2020 年の COVID 発生）において、双対性欠損は相関が抑制されている間に、危機以前（$T-60$）に一貫して高水準に達しました。
  • 例（2018 年）： $T-60$ において欠損は 0.779 で、相関は 0.166 でした。危機は緊張を解消し、相関が急騰するにつれて欠損は 0.414 へ崩壊しました。
  • 例（2017 年ブルマーケット）： 1 年全体にわたり、低相関（$\rho < 0.20$）で持続的な高欠損（$\delta > 0.78$）が観測され、従来の指標が低リスクと分類した極度の構造的脆弱性の期間を特定しました。

5. 意義と主張

本論文は、双対性欠損が第一原理的な構造的許容条件であると主張しています。訓練データや歴史的先行事例を必要とする統計的特徴とは異なり、この欠損は以下の特性を持ちます：

• モデルフリー： グラフ構造から直接計算される。
• 解釈可能： 最も近い構造的自己整合状態までの距離を表す。
• 計算効率性： ミリ秒単位で計算可能。

著者らは Prism を市場予測ツールではなく、構造的早期警戒システムとして位置づけています。これは、危機に特徴的な相関の急騰に先行する構造的緊張（対称性の破れ）の蓄積を検出します。この枠組みは、危機（相関の急騰）は構造的緊張の開始ではなく、その解決であることを示唆しています。自然な対称性からの逸脱を測定することで、Prism は構造的完全性が極めて重要な分野におけるテールリスク検出と異常診断のための診断ツールを提供します。

本論文は、非指向性かつ正の重みを持つグラフという仮定、および初期化に Fiedler ベクトルに依存していること（これは二値コミュニティ構造に対して最も効果的）といった限界を認めています。有向グラフへの拡張や、多コミュニティ（$k > 2$）教師なし学習への拡張は、今後の課題として記載されています。