技術要約：解析的トーションとスペクトルギャップによる持続的ラプラシアンの性能捕捉

問題提起

持続的ラプラシアン（Persistent Laplacians, PL）は、調和セクターを通じて位相的特徴（ホモロジー類）を捉えるだけでなく、非調和スペクトルを通じてより微細な幾何学的・組合せ論的構造をも捉えることで、持続的ホモロジーを拡張するものである。しかし、機械学習タスクにおいてPLの全固有スペクトルを利用することには、主に2つの障壁が存在する。

1. 「可変長」問題： 固有スペクトルのサイズは、異なるホモロジー次元やフィルトレーション・スケール間で大きく変動するため、ヒューリスティックな切り捨てを行わずに標準的な学習アーキテクチャ用の固定長特徴ベクトルを構築することが困難である。
2. ノイズと収穫逓減： スペクトルのナイーブな切り捨てや高周波固有値の包含は、モデルの性能を低下させるノイズを導入することが多い。先行研究によれば、生の固有値の数が増えるにつれてモデルの精度が低下することが示されており、これはスペクトルの上部が未分化でノイズの多いベクトルとして機能していることを示唆している。

さらに、生のスペクトルデータからグローバルな幾何学的不変量を抽出することは、標準的な機械学習モデルにとって関数的に複雑である。これらのモデルは、固有値のリストからグローバルな不変量（解析的トーションなど）を合成するために必要な、非線形的、乗法的、かつ交互的な代数的演算を暗黙的に学習することに苦慮する。

手法

著者らは、数学的根拠に基づいた3つの不変量からなる、コンパクトで固定長の表現へと持続的ラプラシアンを凝縮する数学的特徴量エンジニアリングのアプローチを提案している。

1. ベッチ数（Betti Numbers）： ゼロ固有値（調和セクター）から導出され、これらは持続的な位相的情報（ホモロジー類）を捉える。
2. スペクトルギャップ（Spectral Gap）： 最小の非ゼロ固有値（$\gamma = \min\{\lambda > 0\}$）として定義され、これは主要な非自明な拡散スケールとグローバルな連結性を捉える。
3. 解析的トーション（Analytic Torsion）： 非調和スペクトルの擬行列式（pseudo-determinants）の交互積から構成されるグローバルな不変量である。具体的には、対数擬行列式はすべての正の固有値の対数の総和として計算され、トーションは次のように定義される：
   $$\log T(X, Y) = \frac{1}{2} \sum_{q \ge 0} (-1)^{q+1} q \log \det_0(\Delta^{X,Y}_q)$$
   この統計量は、全非ゼロ固有値の寄与を単一のスカラーへと集約し、高周波スペクトル全体を処理する必要性を回避する。

実験設定：
著者らは、提案手法を以下の3つのベンチマークデータセットに対して、標準的な機械学習モデル（ランダムフォレストおよび勾配ブースティング回帰器）を用い、特徴量のスケーリングなしで評価した。

• MNIST： 手書き数字認識（2Dデータ）。0次および1次のホモロジー次元から特徴を抽出。
• QM-3D： 分子エネルギー予測（3Dデータ）。0次、1次、および2次のホモロジー次元から特徴を抽出。
• SKEMPI WT： タンパク質間結合親和性予測。グラフ・ラプラシアンおよびオイラー標数の解釈から特徴を抽出。

提案された特徴ベクトルは、全スペクトルの切り捨て（例：上位10個の固有値）や基本的な統計的要約（平均、分散）を利用したベースライン手法と比較された。

主な貢献

1. スペクトル・パッキング問題の解決： 本論文は、ヒューリスティックな切り捨てや、変動する長さのスペクトルベクトルの統計的プーリングを必要としない、固定次元の表現を導入している。
2. 原理的な位相的・スペクトル的分離： 著者らは、調和セクター（ベッチ数）を非調和スペクトルから厳密に分離し、後者をスペクトルギャップと解析的トーションによって要約する、新しい特徴セットを提案している。これは、ナイーブな固有値ベクトル化に対する数学的に厳密な代替手段を提供する。
3. 数学的特徴量エンジニアリング： 解析的トーションを明示的な特徴量として提供することで、複雑な代数的関係（乗積および交互符号）を学習するという計算負荷を機械学習モデルからオフロードし、モデルが高レベルの幾何学的プリミティブ上で動作できるようにしている。

結果

提案されたコンパクトな表現は、すべてのベンチマークにおいて競争力のある、あるいは優れた性能を示し、同時に計算オーバーヘッドを大幅に削減した。

• MNIST： 86.2%の分類精度を達成し、ベースラインの85.4%を上回った。
• QM-3D： 平均絶対誤差（MAE）は53.1となり、ベースラインの52.2をわずかに上回った（注：論文では、次元削減を強調しつつ、この特定の指標においてはベースラインがわずかに優位であることを認め、同等の性能であると述べている）。
• SKEMPI WT： MAE 1.67およびピアソン相関係数 0.67を達成し、ベースラインのMAE 1.70および相関係数 0.66を上回った。

アブレーション研究： SHAP分析により、モデルがQM-3Dデータセットではスペクトルギャップと解析的トーションを、MNISTではスペクトルギャップとベッチ数を強く利用していることが明らかになり、削減された特徴セットが不可欠な予測信号を保持していることが確認された。

意義と主張

本論文は、スペクトル幾何学と位相的学習の間の原理的な固定長インターフェースを確立することを主張している。その意義は、以下の主張にある：

• ノイズ削減： 高周波情報を解析的トーションへと圧縮することで、生の高周波固有値が導入するノイズを防ぎ、生の固有値数が増えるにつれて収穫逓減が生じるという「限界点」を効果的に回避している。
• 計算効率： 提案された特徴ベクトルは著しく低次元であり（例：QM-3Dにおいて特徴長を $3 \times 10$ から $3 \times 2 + 1$ へ削減）、訓練時間とメモリフットプリントの削減につながっている。
• 理論的架け橋： 本研究は、古典的なスペクトル幾何学（特にRay, Singer, Cheeger, Müllerによるトーションの研究）と現代の位相的データ解析を結びつけ、解析的トーションが単なるアドホックな統計量ではなく、グローバルな幾何構造を捉えることができる数学的に根拠のある特徴量であることを示している。

著者らは、解析的トーションはグローバルな不変量であり、高度に局所的な幾何学的詳細を失う可能性があるものの、広範な応用分野（分子物理学やコンピュータビジョンなど）において、提案されたコンパクトなスペクトル表現は、生のスペクトルデータと比較して、情報の保持と計算の実行可能性の間の優れたトレードオフを提供すると結論付けている。