Symmetry-Structured Neural Completion of Islamic Geometric Patterns from Sparse Control Geometry

技術要約：対称構造を用いたイスラム幾何学パターンのニューラル補完

問題の定式化
本論文は、疎な制御幾何学からイスラム幾何学パターンを補完するという課題に取り組んでいる。対称性が統計的な規則性として学習される一般的な画像合成とは異なり、イスラム装飾は厳密な回転対称性と厳格な構成規則によって定義される。対称性のわずかな逸脱も、伝統におけるパターンの妥当性を損なう。このタスクは、ベクトル幾何学的補完問題としてフレームワーク化されている。すなわち、与えられた疎な制御点（アンカー、境界マーカー）と目標とする回転対称次数 $N$ に基づき、システムは完全なベクトルグラフを予測しなければならない。出力は、幾何学的に意味のある候補格子から選択されたエッジと、境界曲線の洗練（リファインメント）で構成され、これらはすべて厳密な $N$ 回回転対称性を遵守する必要がある。

手法
提案されたフレームワークは、ドメインの構成規則から導出された明示的な幾何学的制約を持つグラフニューラルネットワーク（GNN）を統合している。

1. 候補格子と軌道構造： システムは任意の形状を生成するのではない。代わりに、入力された制御幾何学と対称次数 $N$ に基づいて決定論的な候補格子を構築する。頂点は同心円状に配置され、候補エッジ（環状エッジ、放射状スポーク、星型多角形の弦など）が列挙される。極めて重要な点として、これらのエッジは巡回群 $C_N$ の下での回転軌道に分割される。エッジ $e_i$ は、軌道 $O(e_i) = \{g \cdot e_i : g \in C_N\}$ に属する。
2. ニューラル予測器： メッセージパッシングを行うGNNがこの候補格子上で動作する。これは特徴付けされた頂点とエッジを入力として受け取り、各候補エッジに対してスコア $s_i$ と有界な洗練パラメータ $\alpha_i$ を出力する。洗練パラメータは、エッジの中点を法線方向に一定の範囲内で変位させることで、曲線が規定の制限内に留まるようにする。
3. デコーディング・レジーム： 本論文では、対称構造の影響を分離するために、4つのデコーディング戦略を評価している。
   • Orbit-tied（軌道結合型）： ネットワークは、訓練時および推論時の両方において、各軌道上でスコアと洗練パラメータを平均化する。これにより、同一の軌道に属するすべてのエッジに対して $s_i = s_j$ および $\alpha_i = \alpha_j$ が強制される。
   • Selection Projection（選択投影型）： ネットワークは制約なしで訓練される。推論時には、選択の前にスコアが軌道レベルへと集約される。
   • Full Projection（完全投影型）： 推論時において、スコアと洗練の両方が軌道ごとに平均化される。
   • Unstructured (Free)（非構造型/自由型）： ネットワークは、いかなる軌道情報も持たずにエッジを独立して選択する。これは負のベースラインとして機能する。

主な貢献
本論文の主な貢献は以下の4点である。

1. 対称構造化フレームワーク： 構成的知識が候補格子、軌道構造、および妥当性を保持するデコーダを定義する、ニューラル補完フレームワークを導入した。ネットワークは、データから規則を学習するのではなく、この制約された空間内で予測を行う。
2. 構成的保証： Orbit-tied バリアントは、任意の入力および任意の軌道レベルの選択規則に対して、出力が厳密な $N$ 回回転対称性を示し、アンカー点を保持し、洗練を範囲内に留めるという数学的保証（命題1）を提供する。この妥当性は、学習された重みの正確さに依存するのではなく、アーキテクチャ自体に内在している。
3. 制御された比較： 4つのデコーディング・レジームを比較している。Orbit-tied 訓練は、推論時の投影と比較して忠実度の面で利点はないものの、投影法と同様に、エッジ選択の忠実度を損なうことなく妥当性を保持することを示した。また、非構造型デコーディングと比較して、対称構造化された手法は妥当性を維持しつつ、選択の精度に目立った損失を与えないことを示した。
4. 堅牢性と評価への批判： データ拡張（破損した入力での訓練）が欠損した幾何学における忠実度を向上させる一方で、厳密な妥当性を回復させるには至らないことを示した。逆に、対称構造は入力の破損に関わらず妥当性を保証する。さらに、標準的な重複指標（F1スコアなど）を批判し、プロシージャルなテンプレートがエッジを過剰選択（低適合率・高再現率）することで高いF1スコックを得られることを示し、重複のみでは幾何学的補完の評価には不十分であることを証明した。

結果
実験は、イスラムデザインに着想を得たプロシージャル生成グラフを用い、対称次数6、8、10、12の600個の訓練グラフに対して行われた。

• 忠実度（Fidelity）： クリーンな入力に対し、orbit-tied モデル、投影法、および非構造型モデルは、同等のエッジ選択F1スコア（約0.52）を達成した。Orbit-tied モデルは、厳密な妥当性を強制することによる測定可能な忠実度のペナルティを負わなかった。
• 妥当性（Validity）： 非構造型モデルは、クリーンなデータであっても、パターンあたり平均3.3個の軌道で軌道の一貫性を損なった（一部の軌道のみを選択した）。対照的に、orbit-tied および投影法は、違反ゼロを記録した。
• 堅牢性（Robustness）： 制御幾何学の30%が除去されたとき、非構造型モデルのF1は大幅に低下し（0.415）、違反数はパターンあたり37.5個に増加した。対称構造化された手法は、高い忠実度（約0.50）とゼロの違反を維持した。
• データ拡張（Augmentation）： 非構造型モデルを破損した入力で訓練すると、忠実度が回復した（F1が0.517に回復）が、対称性の違反を排除することはできなかった（パターンあたり9.0のまま）。データ拡張と対称構造の組み合わせが、最も堅牢な構成となった。

意義と主張
本論文は、明示的な幾何学的知識が、ニューラル予測器を単に「もっともらしい」ものだけでなく、「検証可能な妥当性」を持つものへと制約できることを主張している。中心的な知見は、厳密な幾何学的妥当性は、統計的な忠実度を犠牲にすることなく強制できるということである。研究では、2つの失敗モードを区別している：破損による忠実度の喪失（データ拡張によって対処される）と、構造的な無効性（対称構造によって対処される）である。

著者らは、本研究を知識駆動型人工知能への貢献として位置づけており、ドメイン固有の構造的規則（回転軌道）を推論プロセスに組み込むことで、出力が厳密な幾何学的定義に従うことが保証されることを示している。彼らは、現在の研究が回転対称性とプロシージャル生成されたパターンに限定されていることを認めつつも、このフレームワークが、妥当性がスタイルの好みではなく構造的な要件であるベクトル装飾を生成するための、スケーラブルで知識制約のあるアプローチを提供することを強調している。本研究は、忠実な再現のための従来のプロシージャル・システムの優位性を主張するものではなく、不完全な入力幾何学を扱いながら、数学的厳密さを維持しつつ分布内を補間できる、学習可能なアプローチを提示している。