技術要約：ヘッセ行列復元のための内部限定フレームワーク

1. 問題提起

点評価からのヘッセ行列（二階微分）の推定は、構造ヘルスモニタリング、磁気共鳴エラストグラフィ、地球物理学的インバージョン、および微分フリー最適化などの分野において極めて重要である。標準的な手法は、中心差分（FD）スティル（$\{x - h e_i, x, x + h e_i\}$ を必要とする）を利用する。

この標準的な手法には、構造的な制限がある。すなわち、後方への評価点（$x - h e_i$）を必要とする点である。評価点 $x$ がドメインの境界から距離 $h$ 以内に位置する場合、あるいはデータが散在している、欠落している、または非凸ドメイン（例：構造支持部や臓器の境界付近）にある場合、後方の点はドメインの外側に位置してしまう。その結果、ゴーストポイント、片側スティル、あるいは外挿などの補助的な処置を行わない限り、中心差分を直接適用することはできない。これらの処置はドメインの制約に違反したり、不安定性を導入したりする可能性がある。

本論文は、次の具体的な問いに取り組んでいる：「ドメインの内部に存在することが保証されている評価のみを用いて、二階微分の情報を復元できるか？」

2. 手法：KR欠損フレームワーク

著者は、ドメイン $\Omega$ の外部の点を一切必要とせずにヘッセ行列を再構成する、内部限定のサンプリング戦略であるKR欠損フレームワークを提案している。

コアメカニズム

凸ドメイン上の関数 $f \in C^2(\Omega)$ に対して、本手法は方向 $v$ ごとに以下の3点をサンプリングする：

1. $x$ （評価点）
2. $x + h$ （前方点）
3. $x + R h$ （中間点、ここで $R \in (0,1)$）

**KR欠陥（KR Defect）**は次のように定義される：
$$D_f(x, h; K, R) = K f(x) + R f(x + h) - f(x + R h)$$
ここで $K + R = 1$ かつ $K, R > 0$ である。正規化されたKR欠陥（$\phi_f$）は、この欠陥を $K R \|h\|^2$ で割ることによって得られる。

理論的根拠

• 内部保証： $x + R h$ は $x$ と $x + h$ の厳密な凸結合であるため、両端点が凸ドメイン内にあるならば、中間点も確実にドメインの内部に存在する。これは、中心差分（$x-h$ を必要とする）や片側差分（しばしば $x+2h$ を必要とする）とは対照的である。
• 曲率の復元： テイラー展開を通じて、正規化された欠陥はステップサイズ $h \to 0$ のとき、方向曲率 $\frac{1}{2} v^T H_f(x) v$ に収束する。
• 再構成： 対称な $n \times n$ 行列を決定するために必要な最小限の測定数である $n(n+1)/2$ を用いて、完全なヘッセ行列を再構成する。対角成分は基底ベクトルに沿った方向的欠陥から導かれ、非対角成分は対角成分および混合方向の欠陥を用いた偏極恒等式を用いて導かれる。

アルゴリズムの特徴

• 適応的ステップ選択： ステップサイズ $h$ を境界までの距離（$d = \text{dist}(x, \partial \Omega)$）に基づいて調整する適応ルールが導入されている。これにより、境界付近でステップが小さくなりすぎてノイズが増幅されるのを防ぐ。
• 切断誤差とノイズのトレードオフ： 本手法は、切断誤差が $O(h)$ でスケールし、ノイズ増幅が $O(\sigma/h^2)$ でスケールするというトレードオフを明示的に認めている。最適なステップサイズはノイズレベル $\sigma$ に依存する。

3. 主な貢献

本論文は、以下の理論的および実用的な貢献を提示している：

1. 内部限定フレームワーク： すべてのサンプリング点が証明通りドメイン内部となる、ヘッセ行列復元の構成的な手法（定理15）。
2. 理論的保証： 以下の内容をカバーする、証明を伴う8つの定理：
   • 曲率の復元： 真の方向曲率への収束（定理9）。
   • 局所極限： $h \to 0$ における一様収束（定理10）。
   • 一意性： すべての許容されるパラメータに対してKR欠陥がゼロである場合、関数の差はアフィンである（定理11）。
   • 再構成： 最小の $n(n+1)/2$ 回の測定を用いた公式（定理12）。
   • 安定性： 関数の有界性に関する $L^\infty$ 境界（次元 $n \le 3$ について確立）（定理14）。
   • 回転不変性： 本手法は直交変換の下で一貫した挙動を示す（定理16）。
3. 次元解析： 成分ごとの一致性の境界が、周囲の次元 $n$ に依存しないことを示す命題（計算コストは $O(n^2)$ でスケールする）。
4. 適応戦略： 低ノイズ設定において境界誤差を大幅に減少させるステップ選択ルールと、切断誤差・ノイズのトレードオフの分析。
5. 数値的検証： 完全な統計報告を伴う10個の数値実験とオープンソースの実装。

4. 数値結果と性能

本フレームワークは、様々なシナリオにおいて中心差分（FD）、移動最小二乗法（MLS）、および放射基底関数法と比較評価された：

• 境界制約問題： 非凸ドメイン（アニュラス、L字型）およびオイラー・ベルヌーイ梁の支持部付近において、中心差分は失敗した（ドメイン外の点を必要とした）が、KR法は推定値を提供した。
• 適応的ステッピング： 梁の問題において、固定ステップサイズは真の値がゼロになる支持部付近で高い相対誤差（最大95.5%）をもたらしたが、適応ルールは平均相対誤差を28.8%から1.9%に減少させた。
• 散在データ： 500個のランダムな点において、KRは1点あたり正確に3回の評価を用いたのに対し、MLSは多くの近傍を必要とした。MLSはより低い平均RMSE（0.0338 vs 0.0520）を達成したが、KRは分散が低く、評価がコストの高い場合に有利である。
• 欠損データ： センサー故障パターン（ランダム、クラスター、境界）の下で、中心差分は適用不可能であったが、KRは利用可能な近傍を用いることで緩やかに劣化（degrade gracefully）した。
• 収束次数： KR法は一次の一致性（$O(h)$）を持つが、滑らかな内部グリッド上の中心差分は二次の性質（$O(h^2)$）を持つ。これは明示的な制限事項であり、欠陥ではない。
• ノイズ耐性： 滑らかな内部グリッドにおいて、中心差分はガウス、インパルス、および相関ノイズに対してKRよりも優れた安定性を示した。これは、KR推定子の $O(\sigma/h^2)$ というノイズのスケーリングと一致している。

5. 意義と範囲

本論文は、KR欠損フレームワークを、中心差分や高精度なメッシュフリー手法に代わる一般的な置き換えとしてではなく、標準的な手法が失敗する特定の領域における専門的なツールとして位置づけている：

• 適用可能性： 本手法は、評価が厳密に内部に留まる必要がある場合（例：構造支持部、臓器壁、または穴の付近）、データが散在している、または部分的に欠落している場合、あるいは最小限の測定セットから一意性や安定性の保証が必要な場合に適している。
• 限界： 著者は、本手法が一次の精度を持ち（滑らかな内部グリッド上の中心差分よりも精度が低い）、ノイズに敏感であることを明示している。また、安定性の推定は現在 $n \le 3$ の次元についてのみ証明されている。
• 誠実な位置付け： 本フレームワークは、構造化されたグリッド上で漸近的な次数を向上させるとは主張していない。その価値は、標準的な中心差分スティルが構造的に適用不可能な「境界制約」および「データ不足」のシナリオにおいて、ヘッセ行列の復元を可能にする点にある。

結論として、KRフレームワークは、ヘッセ行列復合のための数学的に厳密な内部限定メカニズムを成功裏に提供しており、ドメインの制約によって標準的な中心差分スティルの使用が妨げられる問題に対する必要な代替手段を提供している。