技術要約：ジェスチャー認識のための幾何学優先型ビジュアル・インテリジェンス

1. 問題提起

現在のジェスチャー認識における最先端の視覚的AIシステムは、生のビデオフレームを深層畳み込みネットワークやトランスフォーマー・ネットワークに投入する「ピクセル優先（pixel-first）」のアプローチに依存している。これらは高精度ではあるものの、以下の2つの決定的な限界を抱えている：

1. 解釈性の欠如： 内部表現は高次元のピクセル・エンベディング（埋め込み）であり、統計的には強力だが、幾何学的な意味を持たない。これらには曲率、角度、あるいはトポロジーといった明示的な概念が欠けており、検証可能で構成可能なルールを必要とするニューロ・シンボリック（NeSy）推論システムとは互換性がない。
2. 量子非互換性： 既存の量子ビジョン・アーキテクチャは、生のピクセルデータを量子回路にマッピングしようとする。これは強制的な損失を伴うエンコーディングを必要とし、視覚データと量子ゲート・パラメータ間の構造的な対応関係を破壊してしまう。

本論文は、「幾何学優先（geometry-first）」のアプローチ――すなわち、ニューラル処理の前に明示的な微分幾何学的特性を計算すること――が、これら両方の問題を解決できると主張している。この手法は、量子計算と自然に整合する、記号的で解釈可能な基礎を提供できるからである。

2. 手法

提案されるフレームワークは、**深層幾何ネットワーク（DGN）と量子幾何ネットワーク（QGN）**という2つの主要なアーキテクチャで構成されている。

A. 幾何学的特徴抽出（記号層）

学習が行われる前に、システムは学習されたエンベディングではなく、確立された微分幾学を用いて、生のビデオからフレームあたり128個のスカラー値を計算する。これらの特徴量は以下の通りである：

• リッチ曲率（Ricci Curvature）： 指の軌道の曲がり具合の鋭さを測定する。
• ベジェ・パラメータ化（Bézier Parameterization）： 指先の動きが描く弧の形状を記述する。
• 角速度（Angular Velocity）： 骨格セグメントの回転速度を計算する。
• トポロジー的連結性（Topological Connectivity）： 3Dランドマークの近接度に基づく、手の重み付きグラフ構造を定義する。

これら128次元は名称が付与され、解釈可能であり、数学的に定義されている（例：「次元7は、人差し指の先端の軌道のリッチ曲率である」）。

B. 深層幾何ネットワーク（DGN）

DGNは、128次元の幾何ベクトルを時系列エンコーダで処理し、ジェスチャーを分類する。本論文では、36フレームのシーケンスに対して3つの時系列アーキテクチャを評価している：

• Transformer： アテンション・メカニズムを通じてすべてのフレームを等価に扱う。
• 双方向LSTM（Bidirectional LSTM）： シーケンスを順方向および逆方向に処理する。
• Mamba（選択的状態空間モデル）： 入力の情報性に基づいてメモリを動的に更新する。著者らは、Mambaが幾何学的なシーケンスに特に適していると主張している。なぜなら、冗長なフレームの間はメモリを保持し、決定的な幾何学的変化（例：指の屈曲）が発生したときのみ更新を行うからである。

C. 量子幾何ネットワーク（QGN）

QGNは、幾何学的特徴を変分量子回路（VQC）へとルーティングすることでDGNを拡張する。

• ネイティブ・マッピング： 幾何学的なスカラー値（角度、曲率）は、ブロッホ球上の回転ゲート・パラメータ（$\theta, \phi$）として直接エンコードされる。これにより、強制的なエンコーディングを必要とせず、入力のセマンティックな意味が保持される。
• アーキテクチャ： システムは8量子ビット（現在のハードウェア制約）を使用し、3つの変換層を備えている。
• ボトルネック： 8量子ビットの制限により、128次元の入力は回路に入る前に16分の1に圧縮（128 $\to$ 8）されなければならず、重要な情報が破棄される。

3. 主な貢献

1. DGNおよびQGNアーキテクチャ： 生のビデオから128次元の幾何学的特徴を抽出し、その後に古典的（Mamba/LSTM）または量子的な分類を行う、初の完全なパイプラインを構築した。
2. ニューロ・シンボリックな基礎： 特徴がデータからではなく数学的定義から導出される「記号的知覚」層を確立し、下流の論理推論を可能にした。
3. 時系列エンコーダの分析： 滑らかで局所的な構造を持つ幾何学的運動に対して、Mambaが最も優れたエンコーダであることを特定し、TransformerやLSTMを凌駕することを示した。
4. 量子ボトルネックの診断： 古典モデルと量子モデルの性能差が、アルゴリズムの失敗ではなく、量子ビット数というハードウェアの制約に起因することを厳密に特定した。
5. 量子ビット・スケーリング・アブレーション： 量子ビット数を8から12に増やした場合（他の変数は一定）、精度が8.0パーセントポイント回復することを実証する制御実験を行い、システムがハードウェア容量に応じてスケールすることを証明した。

4. 実験結果

システムは、Jesterデータセット（148,092本のビデオ、27クラス）を用いて評価された。

• 静的性能： 単一フレームの幾何学的特徴において、単純なロジスティック回帰は**52.61%の精度（ランダムチャンスの15倍）を達成し、ニューラルネットワークのベースラインは61.70%**に達した。これは、幾何学的特徴自体が強力な識別信号を持っていることを裏付けている。
• 時系列性能：
  • DGN-Mamba： **65.77%**の精度を達成し、古典的モデルの中で最高の結果となった。これは静的モデルに対し+4ポイントの向上であり、運動力学（ダイナミクス）の価値を強調している。
  • QGN-Mamba： **59.19%**の精度を達成した。
• 量子のギャップ： DGN-MambaとQGN-Mambaの間の6.6ポイントの差は、128次元を8量子ビットに適合させるために必要な16倍の圧縮に完全に起因している。
• スケーリングの証拠：
  • 8量子ビット： 39.90% の精度（2万件のサブセットにおいて）。
  • 12量子ビット： 47.90% の精度。
  • 結果： 量子ビット数を増やすだけで、純粋に**+8.0ポイント**の精度向上となった。
  • 投影： 量子ビット数が128（IBMのロードマップ内）に達した場合、圧縮比は1:1となり、理論的にはQGNが古典的な性能に匹っても、あるいはそれを上回る$2^{128}$の状態空間を利用可能になる。
• フロー特徴量： 明示的な運動デルタ（192次元入力）を追加しても、古典的モデル（Mambaがダイナミクスを暗黙的に学習するため）には無視できる程度の利得（+0.09%）しかなかったが、QGNには+1.54%の改善が見られた。これは、容量が許す限り、量子レイヤーがより豊かな入力に対して応答可能であることを裏付けている。

5. 意義と主張

本論文は、幾何学こそが、ニューロ・シンボリック推論と来るべき量子時代の双方において、視覚的AIにとって正しい言語であると主張している。

• 解釈性： ピクセルベースのエンベディングとは異なり、幾何学的特徴は検証可能な命題（例：「曲率 > 0.4」）であり、それらを論理ルールや知識グラフへと構成することができる。
• 量子への準備： 本論文は、QGNが「原理に基づいた、パラメータフリーなマッピング」を備えた最初の量子ビジョン・アーキテクチャであると主張している。幾何学的値は自然に回転角となるため、損失の多いエンコーディングを排除できる。
• ハードウェアの軌跡： 性能の差はアルゴリズムの欠陥ではなく、ハードウェアの限界である。著者らは、量子ビット数が64〜128に達するにつれ（今後10年以内の予測）、QGNはアルゴリズムや特徴抽出を変更することなく、古典的モデルには到達不可能な計算基盤（$2^{128} \approx 10^{38}$）で動作することになると主張している。
• 範囲： 著者らは、自分たちが最も精度の高いジェスチャー認識器（ピクセルベースのSOTAは~93–97%に達する）を作ったのではないことを明示している。代わりに、今日解釈可能であり、明日には量子対応となる、次世代のAIのための原理的な基礎を構築したのである。

結論として、幾何学優先のパイプラインは、手術ロボット、リハビリテーション、手話、産業オートメーションなど、運動に解釈可能な構造を持つあらゆる領域に適用可能であり、汎用人工知能へのスケーラブルな道筋を提供するものである。