技術要約：スペクトル基底解釈可能ユニット (Spectral Basis Interpretable Unit: SBIU)

1. 問題提起

近年提案されたKolmogorov–Arnold Networks (KANs) を含む従来のニューラルネットワークアーキテクチャは、重大な「解釈性のギャップ」に直面している。KANsは、単変量エッジ関数（通常はB-スプライン）を学習することで高い柔軟性とパラメータ効率を実現しているが、学習されたこれらの関数は局所的な区分多項式であり、その係数には意味論的な意味が欠如している。なぜ予測が行われたのかという「理由」の理解が予測そのものと同様に重要となる神経科学や循環器学などの科学分野において、この不透明さは導入の障壁となっている。

既存の解釈可能なアプローチは、人間が指定した概念（コンセプト・ボトルネック・モデル）に依存したり、レジームラベル（教師ありクラスタリング）を必要としたり、あるいは入力空間の相互排他的な分割を強制できなかったりする（例：制約のないゲーティングを持つ標準的なMixture-of-Experts）。そこで、以下の要件を満たすエッジ関数が求められている：

• 教師なしで入力ドメインを相互排他的なレジームに分割すること。
• 各レジームに対して人間が読めるシグネチャを生成すること。
• スプライン手法の普遍近似保証を維持すること。

2. 手法

スペクトル基底解釈可能ユニット (SBIU)

著者は、古典的なB-スプラインを、フーリエ符号化された特徴空間における学習された直交射影に置き換えた単変量関数近似器であるSBIUを導入する。このアーキテクチャは量子力学の観測公理から着想を得ているが、厳密に古典的かつ決定論的なモジュールとして動作する。

コア構成要素:

1. フーリエ特徴マップ: スカラー入力 $x$ は、固定された正弦および余弦特徴（周波数 $k\omega_0$）を用いて、$L_2$正規化された $d$ 次元の実ベクトル $|\psi(x)\rangle$ にマッピングされる。
2. 学習された直交基底 (ポインタ状態): 学習可能な特殊直交行列 $V \in SO(d)$ が入力ベクトルを回転させる。$V$ の列は、正規直交基底 $\{|\pi_m\rangle\}$ を定義する。
3. 平方絶対値活性化 (ボルンの規則): 入力は基底ベクトルに射影され、これらの射影の平方絶対値が計算される：$p_m(x) = |\langle \pi_m | \psi(x) \rangle|^2$。$V$ の直交性と $|\psi(x)\rangle$ の正規化により、これらの値は有効な確率分布（$\sum p_m = 1$）を形成する。
4. 凸出力: 最終的なスカラー出力は、これらの確率の凸結合である：$\phi(x) = \sum \lambda_m p_m(x)$。ここで、$\lambda_m$ は学習可能な係数である。

数学的定式化:
SBIUは、フーリエ符号化された入力に対する二次形式を計算する：
$$\phi(x) = \langle \psi(x) | H_{\text{eff}} | \psi(x) \rangle$$
ここで、$H_{\text{eff}} = V \Lambda V^\top$ は学習されたエルミート（対称）演算子である。ポインタ状態は $H_{\text{eff}}$ の固有ベクトルであり、係数 $\lambda_m$ はその固有値である。

理論的証明

• 普遍近似: 著者は、ストーン＝ワイエルシュトラスの定理を通じて、十分な次元 $d$ が与えられれば、SBIUがコンパクト区間上の連続関数に対する普遍近似器であることを証明する。
• デコヒーレンス・チャネルの冗長性: 主要な理論的貢献は、測定基底において対角成分を持つトレース保存デコヒーレンス・チャネル（クラウス演算子）をSBIUに付加することは、数学的に冗長であるという証明（定理1）である。測定による射影は代数的な崩壊を引き起こし、ノイズパラメータを消失させ、最小限の射影・二乗形式と同じ結果をもたらす。これにより、複雑で不安定な量子着想型のノイズシミュレーションの必要性が排除される。

スペクトル・ボトルネック・アーキテクチャ

ユニットのクラスタリング能力を検証するため、著者はSBI-Bottleneckという、最小限のエンドツーエンド微分可能なアーキテクチャを構築する。これは多変量時系列ウィンドウを受け取り、線形射影を適用し、状態を正規化して、単一のSBIUを通過させる。このユニットは、レジームラベルなしの自己教師あり次ステップ予測損失（MSE）を用いて訓練される。

3. 主な貢献

1. 定義と特性化: SBIUの厳密な数学的定義、およびその普遍近似能力の証明、ならびに対角デコヒーレンス・チャネルの冗長性の証明。
2. スペクトル・ボトルネック・アーキテクチャ: 多変量時系列における教師なしレジーム発見を活用した、新しいアーキテクチャ。
3. 合成検証: 隠れたレジームを持つ振動子を用いたデモンストレーションにより、SBIUがデータを正確にセグメント化するだけでなく、既知の生成周波数に対応するポインタ状態を学習することを示した。
4. 臨床検証: 実世界の生理学的データ（EEGおよびECG）への適用により、教師なしラベルなしで、病理学的レジーム（てんかん発作および心室性不整脈）を相互排他的な直交状態へと自律的に分離できることを示した。

4. 実験結果

合成隠れたレジーム振動子

モデルは、3つのレジーム（2 Hz, 3 Hz, 5 Hz 振動子）の間を切り替わる時系列に対してテストされた。

• 性能: SBI-Bottleneckは、調整ランド指数（ARI）で 0.6857 を達成し、非制約MLP（ARI 0.6662）、Spline-KANs（ARI 0.6459）、Fourier-KANs（ARI 0.1827）を上回った。
• 解釈性: 学習された基底ベクトルは生成周波数と完全に一致した。直交制約により、モデルは信号を独立した重複のないスペクトル成分に分解することが強制されたが、非制約モデルはもつれた表現を生成した。
• 堅牢性: SBIUはガウスノイズが増加しても安定したレジーム境界を維持したが、非制約のベースラインは表現の崩壊に陥った。

実世界の臨床検証

EEG（てんかん発作認識）:

• モデルは、ラベルなしでてんかん発作を 90%以上の純度 で自律的に分離した（主要な $d=10$ の実験では90.3%、洗練された $d=12$ のサブレジーム分析では93.6%）。
• アルファ波リズム（8–12 Hz）を介して「閉眼」状態を特定することに成功し、腫瘍／健康な領域とベースライン状態を区別した。
• アーキテクチャは自然に表現を疎（スパース）にし、未使用の次元をゼロにした。

ECG（MIT-BIH 不整脈データセット）:

• SBIUは、心室性期外収縮および分類不能な拍動を単一の座標軸（World 3）に、融合拍動を別の軸（World 7）に分離した。
• 形態学的検証: モデルによる不整脈の分離は、臨床診断と一致していた。不整脈の「ワールド」にルーティングされた心拍は、通常の拍動（平均幅 8.85 サンプル）に対し、広がったQRS波（平均幅 46.89 サンプル）を示しており、これは心室性期外収縮の生理学的シグネチャと一致する。

5. 意義と主張

本論文は、強い幾何学的制約（具体的には直交性、凸結合、および学習された固有基底）が、表現力を損なうことなく、従来のニューラルネットワークに代わる完全に解釈可能な選択肢を提供できることを示している。

• ラベルなしでの解釈性: アーキテクチャは、生理学的データにおける病理学的レジームを自律的に発見・分離し、基底ベクトルが物理的な周波数や形態学的特徴に対応する「透明なダッシュボード」を提供する。
• 効率性: SBIUはパラメータが疎な正則化器として機能する。モデルは、比較可能なセグメンテーションを実現するために、最小限の幾何学的容量（3つの周波数に対して $d=6$）でピーク性能に達した。一方、非制約モデルは同等の性能を得るために2倍の次元を必要とした。
• 理論的明晰さ: 対角デコヒーレンス・チャネルの冗長性を証明することで、本研究は量子着想型機械学習を簡素化し、最適化の罠や不要なパラメータを取り除きつつ、ボルンの規則による活性化の利点を保持している。

著者は、SBIUが、高精度な関数近似と人間が読める科学的洞察との間の溝を埋める、厳格なフレームシップを提供すると結論付けている。