技術要約：対称性を保証する知識制約付きニューラル・イスラム幾何学模様補完

問題定義

イスラム幾何学装飾は、様式的な類似性ではなく、正確な回転対称性（$N$回対称）、保存されたアンカーポイント、および一貫したベクトル幾面を含む、厳密な幾何学的構造によって定義される。歴史的に、これらのパターンはコンパスと定規を用いた体系的な手法によって構築されてきた。本論文は、現代のニューラル生成における決定的な欠陥を指摘している。すなわち、ニューラルネットワークは視覚的に妥当な画像を生成することはできるが、通常、対称性を統計的に学習するのみであり、出力がこの領域の厳格な構造的規則に従っていることを証明（保証）することはできない。わずかな対称性の違反であっても、イスラム幾何学模様を「構造的に無効」なものにしてしまう。

著者らは、このタスクを画像合成としてではなく、構造化された幾何学的補完問題として定義している。疎な制御幾何（伝統的なレイアウトから派生した最小限の構成点とアンカー）と、目標とする対称次数 $N$ が与えられたとき、目的は完全なパターンをベクトルグラフとして補完することである。出力は、意味のある候補格子から選択されたエッジ、オプションの境界曲線精緻化で構成され、かつ正確な $N$ 回対称性を示さなければならない。

手法

1. 知識制約付きフレームワーク

手法の核心は、明示的な幾何学的ドメイン知識をニューラル学習プロセスに埋め込むことにある。

• 候補格子の構築: ネットワークに任意の幾何学を考案させるのではなく、システムは疎な制御幾何と目標となる対称次数 $N$ から、決定論的に候補格子を生成する。この格子には、同心円上の頂点と、許容されるエッジの集合（環状エッジ、放射状スポーク、星型多角形の弦など）が含まれる。
• 軌道構造（Orbit Structure）: 候補エッジは、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。補完されたパターンは、選択されたエッジ集合が完全な軌道の和集合であり、かつ精緻化パラメータが各軌道内で一定である場合に限り、有効となる。
• ニューラル予測器: グラフニューラルネットワーク（GNN）がこの候補格子上で動作する。これは頂点およびエッジの特徴（位置、半径、角度、アンカー状態、エッジタイプ）を受け取り、以下を予測する：
  • 選択のためのエッジスコア $s_i$。
  • 装飾曲線の調整のための有界精緻化パラメータ $\alpha_i$。

2. デコーディング・レジーム

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比較する：

1. 軌道結合型（Orbit-Tied）: ネットワークは、フォワードパス中（訓練および推論の両方）に、各軌道に対してスコアのロジットと精緻化出力を平均化する。これにより、$s_i = s_j$ および $\alpha_i = \alpha_j$ が強制される。
2. 選択投影型（Selection Projection）: 結合を行わずに訓練された制約のないネットワーク。推論時、スコアは選択前に軌道レベルへと集約される。
3. 完全投影型（Full Projection）: 結合を行わずに訓練された制約のないネットワーク。推論時、スコアと精緻化パラメータの両方が軌道ごとに平均化される。
4. 非構造型（Unstructured/Free）: 軌道情報を使用せずにエッジを独立して選択する、制約のないネットワーク（負のベースライン）。

3. 有界精緻化

精緻化は保守的に適用される。構造的なエッジは直線のまま維持される。装飾的なエッジは、エッジの法線方向に中点を変位させることで精緻化される：$\tanh(\alpha_i) \alpha_{max} L_i$。$\tanh$ による飽和により、ネットワークの出力に関わらず、変位量は常に $|\delta_i| \le \alpha_{max} L_i$ という境界を超えないことが保証される。

主な貢献

1. 知識制約付きグラフニューラルフレームワーク: 明示的な構成規則が、候補格子、軌道構造、および妥当性を保持するデコーディングを定義するシステム。ネットワークは自由な組合せ空間ではなく、この知識定義された空間上で予測を行う。
2. 構成的妥当性の保証: 軌道結合型デコーディング・スキームが以下を保証することを示す形式的な証明（命題1）：
   • 正確な $N$ 回回転対称性（選択された軌道の違反ゼロ）。
   • アンカー頂点の正確な保持。
   • 有界な精緻化変位。
     これら不変量は、入力や軌道レベルの選択ポリシーに関わらず、ネットワークの学習状態に依存せず、あらゆる入力に対して成立する。
3. 対称構造の経験的特性評価: 4つのデコーディング・レジームにわたる制御実験により、対称構造を持つ推論（内在的または投影によるもの）が、非構造型デコーディングと比較して、補完の忠実度（fidelity）に測定可能な損失を与えることなく、妥当性を保持していることを示した。
4. 堅牢性と失敗モードの分析: データの拡張（破損した入力を用いた訓練）は非構造型モデルの忠実度を回復させるが、厳密な妥当性は回復させないことを示す評価。逆に、対称構造を持つ推論は、入力幾何が欠落している場合でも妥当性を保証し、相補的な失敗モードに対処する。

実験結果

プロシージャルに生成されたイスラム幾何学着想のパターングラフ（対称次数 6, 8, 10, 12）を用い、3つのランダムシードで実験を行った。

• クリーンな入力に対する忠実度: クリーンなテストデータにおいて、軌道結合型モデル、選択投影型、および非構造型（Free）デコーディングは、統計的に区別できないエッジ選択F1スコア（約0.52）を達成した。プロシージャル・テンプレートのベースラインは、わずかに高いF1（0.534）を達成したが、これは深刻なエッジ過剰補完（低精度・高再現率）によるものであり、重複指標のみではこの領域において不十分であることを示している。
• 構造的妥当性: 非構造型モデルは、クリーンな入力であっても、平均して1パターンあたり3.3回の軌道不一致を起こした。対照的に、軌道結合型および投影法は、ゼロの軌道違反、ゼロのアンカー漂流、およびゼロの過剰精緻化を達成した。
• 欠損幾何への堅牢性: 入力制御幾何が30%除去された場合：
  • 非構造型モデルのF1は大幅に低下し（0.524 から 0.415）、違反は1パターンあたり37.5回に増加した。
  • 構造化手法は、高い忠実度（F1 ~0.50–0.51）を維持しつつ、ゼロの違反を達成した。
  • 非構造型モデルを欠損幾何拡張を用いて訓練すると、忠実度は回復した（F1 ~0.517）が、軌道違反は排除できなかった（1パターンあたり9.0回）。
  • 結論: データ拡張は破損下での忠実度を向上させるが、対称構造は妥当性を保証する。これらは相補的な関係にある。

意義と主張

本論文は、補完の忠実度に測定可能な損失を与えることなく、厳密な幾何学的妥当性を課すことができると主張している。主要な貢献は、明示的な幾何学的構成知識が、単に「もっともらしい」だけでなく、「検証可能に妥当な」出力を生成するようにニューラルグラフ予測を制約できることを示した点にある。

著者らは、「軌道構造」が妥当性のための実効的なメカニズムであり、特定のアーキテクチャ上のデバイスではないことを強調している。構成的なアプローチ（軌道結合）と事後的なアプローチ（投影）の両方が同等の妥当性と忠実度を示しており、デコーディング段階で軌道構造を強制することが十分であることを示唆している。

本研究は、構造的規則が交渉不可能な領域における**信頼できるAI（Trustworthy AI）**への一歩として位置づけられる。イスラム幾何学模様において、妥当性は視覚的な好みではなく、明示的な知識としてエンコードされた構造的要件であると論じている。このフレームワークは、スケッチやスキャンといった不完全な入力データに対しても堅牢な、ベクトルベースの装飾生成のためのスケーラブルなアプローチを提供する。

著者らは謙虚な姿勢を保っており、本システムは歴史的な家系を忠実に再現するためのプロシージャルな構成システムよりも優れていると主張しているわけではなく、また歴史的な真正性を証明するものでもないとしている。生成された出力は、「イスラム幾何学デザインに触発された、構造的に妥当な補完」である。