The Reverse Telescoping Coordinate System for Positive Definite Matrices: Geometry, Computation, and Generative Modeling

技術要約：正定値行列のためのリバース・テレスコーピング座標系

問題提起
対称正定値（SPD）行列は、脳のコネクティビティ解析（fMRI）から金融モデリングに至るまで、幅広い分野で基礎となるものです。しかし、SPD値データ（$\mathcal{M}^+_p$）をモデリングすることは困難です。なぜなら、$\mathcal{M}^+_p$ はユークリッド空間ではなくリーマン多様体を形成しているからです。$\mathcal{M}^+_p$ を $\mathbb{R}^{p(p+1)/2}$ へと写像するために用いられる既存の非制約座標系（チャート）（Cholesky分解、行列対数、スペクトル分解など）は、重大な幾何学的およびアルゴリズム的な欠点を抱えています。具体的には、これらの変換のヤコビアンはしばしば異方的であったり、グローバルに絡み合っていたり（entangled）し、行列の体積（行列式）と形状（部分共分散および相対スケール）を結合させてしまいます。この結合は、尤度評価、体積正規化された輸送、および固有の拡散を複雑にし、非自明な管理作業を必要とし、多くの場合 $p \approx 50$ を超えるスケーラビリティを制限します。

手法：リバース・テレスコーピング（RT）座標
著者らは、再帰的なランク1のシュア補集合に基づく、リバース・テレスコーピング（RT）座標と呼ばれる新しい非制約座標系を提案しています。SPD行列 $\Theta$ は、可逆な写像 $\Theta(x) = RT(x)$ を介して、ベクトル $x = (v, d, r) \in \mathbb{R} \times \mathbb{R}^{p-1} \times \mathbb{R}^{p(p-1)/2}$ へとマッピングされます。各成分は以下のように定義されます：

1. $v$ (Volume/体積): $\Theta$ の対数行列式 ($v = \log \det \Theta$)。
2. $d$ (Shape - Scales/形状 - スケール): 体積に対する行列の形状を符号化する、対数相対対角スケール。
3. $r$ (Shape - Partial Covariances/形状 - 部分共分散): 中間行列 $\tilde{\Theta}$ の上三角成分から導出される、ノード間の部分共分散。

エンコーディング過程では、行列構造を剥ぎ取るためにシュア補集合を再帰的に計算し、デコーディング過程では、$x$ から $\Theta$ と $\Theta^{-1}$ を損失なく再構成します。この構成の重要な特徴は、$\Theta$ と $\Theta^{-1}$ の両方のエンコーディングとデコーディングが、繰り返しの行列反転を行うことなく同時に行われる点にあります。

主要な貢献

1. ヤコビアンの分離と簡略化:
   既存のチャートではヤコビアンが全行列要素の複雑な相互作用に依存するのに対し、RTチャートはヤコビアンを完全にスカラー体積座標 $v$ に隔離します。具体的には、$J(x \to \Theta) = \exp(v)$ となります。適切な再パラメータ化の下では、ヤコビアンは 1 になります。これにより、体積と形状がデカップリング（分離）され、尤度評価と変数変換の計算が簡素化されます。

2. 幾何学的特性 (Fisher–Rao メトリック):
   RT座標は、Fisher–Rao メトリックに対して再帰的かつステージ局所的な構造を備えています。メトリックテンソルはブロック対角となり、各スライスは現在の変数と「凍結された」過去の状態のみに依存します。これにより、自然勾配および Fisher–Rao 体積密度を正確に計算することが可能となり、これらは正規化された座標におけるユークリッド体積の定数倍であることが示されています。その結果、Fisher–Rao 体積密度は $v$ のみに依存し、体積と形状の真の分離を可能にします。

3. 固有の拡散と Laplace–Beltrami 演算子:
   著者らは RT 座標における Laplace–Beltrami 演算子を導出し、対数行列式 $v$ と正規化された回帰座標 $\beta$ が調和的であり、スケール座標 $d$ が一定のドリフトを持つことを示しました。これにより、メトリックテンソルやチャートのヤコビアンを繰り返し評価することなく、SPD多様体上の固有のランジュバン拡散を、ユークリッド拡散と同じ容易さで設計することが可能になります。

4. 計算効率とスケーラビリティ:
   エンコーディング/デコーディングのコストは $O(p^3)$ ですが、その他の多くの操作（二次形式、密度評価など）は $O(p^2)$ で実行可能です。さらに、著者らはスペクトル制御下での Fisher–Rao 距離に対する $O(p^2)$ 計算可能な上限および下限を確立しており、これらは Fisher 球の楕円体近似を提供します。

5. Split Volume–Shape Flow による生成モデリング:
   体積と形状の分離を活用し、著者らは（条件付きフローマッチングを用いて）単位行列式パス上で形状を輸送し、同時に体積を個別に輸送する生成モデルを設計しました。これにより、モデルは高次元（$p=200$）へとスケールアップでき、これは代替となる多様体認識手法（例：Riemannian CFM）が幾何学的な障害により失敗する領域です。

結果
論文では、以下の3つの主要なアプリケーションを通じて RT 座標を検証しています。

• 合成生成モデリング: 困難な二峰性ターゲット（ウィシャート分布の混合）において、RTベースのフローモデル（非制約およびハミルトニアンの両方）は、$p=200$ までの次元でサンプルの生成に成功しました。対照的に、DiffeoCFM や Riemannian CFM などのベースライン手法は、$p=50$ を超えると精度が著しく低下するか、計算量的に実行不可能となりました。RT ハミルトニアンフローが、最も優れた分布精度（最小の MMD およびスライス・ワッサースタイン距離）を達成しました。
• Fisher–Rao 距離の境界: 数値実験により、提案された $O(p^2)$ 境界が、特に条件数の良い行列において、正確な $O(p^3)$ の Fisher–Rao 距離を密に近似していることが確認されました。
• 固有の拡散: 著者らは、単峰性および二峰性のターゲットの両方について、SPD多様体上の固有のランジュバン拡散を実証し、SPD特有の制限を受けることなく複雑な事後分布からのサンプリングに成功しました。
• 実世界への応用: 本手法は、fMRI データ（ABIDE データセット、$p=39$）からの脳機能的コネクティビティ・ネットワークの生成に適用されました。RTベースのモデルは、分布指標においてベースラインと同等またはそれ以上の性能を示しながら、主要なコネクティビティパターンを捉えることに成功しました。

意義と主張
本論文は、リバース・テレスコーピング座標系が、恐るべき SPD 制約を制御することで「強力な導引力」を提供すると主張しています。主な意義は、ヤコビアンを単一のスカラー座標に隔離したことにあり、これは他の標準的なチャートには見られない特性です。この隔離は、以下の結果をもたらします：

• 簡素化された幾何学: Fisher–Rao 体積形式は、正規化された座標におけるユークリッド体積の定数倍となり、メトリックテンソルはブロック対角になります。
• スケーラビリティ: 体積と形状の分離により、生成モデルは $p=200$ までスケールアップでき、他の多様体ベースの手法を制限している幾何学的ボトルネックを克服します。
• 実装の容易さ: 固有の拡散やフローマッチングを、ユークリッド空間と同じ簡便さで設計できるため、輸送中のメトリックテンソルやヤコビアンの複雑な管理が不要になります。

著者らは、本論文が RT 座標の幾何学的およびアルゴリズム的な含意を探求している一方で、このフレームワークが SPD 多様体上の固有の拡散ベースの生成モデリングやベイズ逆問題への新しい道を開き、既存の非制約チャートよりも扱いやすいアプローチを提供する可能性があると結論付けています。