1 基本概念
1.1 ノイズの定義と種類
ノイズとは、観測データに含まれる不規則な変動や測定誤差であり、真の信号とは無関係なランダム成分を指す。統計学では加法性ノイズ、乗法性ノイズ、量子化ノイズなどに分類される。加法性ノイズは信号に独立に加わるランダム項、乗法性ノイズは信号の大きさに比例して変動する項、量子化ノイズは離散化に伴う誤差である。時系列データではホワイトノイズや有色ノイズ（ピンクノイズなど）が頻出する。ノイズの特性（分散、自己相関、周波数分布）は低減手法の選択に直接影響する。
1.2 ノイズ低減の目的と重要性
ノイズ低減の主要な目的は、観測データから信号成分の本質的なパターンを抽出し、後続の統計的推論や機械学習モデルの精度を向上させることである。ノイズは推定値の分散を増大させ、偏りを生み、過学習や誤った相関の検出を引き起こす。前処理としてのノイズ低減は、データ品質の保証とモデルの汎化性能向上に不可欠であり、特に高ノイズ環境でのセンサデータや低信号対雑音比の観測において重要となる。
1.3 信号対雑音比（SN比）の役割
信号対雑音比（SNR）は、信号のパワーとノイズのパワーの比として定義される指標であり、ノイズ低減の効果を定量的に評価する基準となる。SNRが高いほど信号成分がノイズに対して優位であることを示し、低い場合はノイズ低減の必要性が高い。デシベル単位で表されることが多く、ノイズ低減処理の前後でSNRの改善度（ΔSNR）を計測することで手法の性能を比較できる。SNRはフィルタ設計の最適化にも用いられる。
2 主要な手法
2.1 線形フィルタ
2.1.1 移動平均フィルタ
移動平均フィルタは、一定のウィンドウ幅内のデータ点の平均値を計算し、時系列の局所的変動を平滑化する最も単純な線形フィルタの一つである。ウィンドウが大きいほどノイズ低減効果は高まるが、信号の急峻な変化がぼやける（過平滑化）という欠点がある。等重み移動平均の他に、加重移動平均や中央値フィルタ（非線形）も類似の目的で用いられる。
2.1.2 指数平滑化
指数平滑化は、過去の観測値に対して指数関数的に減少する重みを与える再帰的な平滑化手法である。平滑化パラメータα（0<α<1）を調整することで、ノイズ低減と信号追随性のバランスを制御できる。単純指数平滑化の他、トレンドや季節性を考慮したホルト＝ウィンターズ法も広く利用される。リアルタイム処理に適し、経済時系列やセンサデータの前処理で頻繁に採用される。
2.2 周波数領域フィルタ
2.2.1 フーリエ変換とローパスフィルタ
フーリエ変換により時間領域の信号を周波数領域に変換し、高周波成分（ノイズとみなせる）を減衰させるローパスフィルタは古典的なノイズ低減手法である。理想的なローパスフィルタは特定のカットオフ周波数以上の成分を完全に除去するが、ギブス現象などの歪みを生じる。実際にはバターワースフィルタやチェビシェフフィルタなどの漸近的なフィルタが用いられる。高速フーリエ変換（FFT）の計算効率の高さから、大規模データへの適用が容易である。
2.2.2 ウェーブレット変換
ウェーブレット変換は、時間と周波数の両方において局所的な解析を可能にする手法であり、非定常信号や過渡的な特徴を含むデータのノイズ低減に有効である。ウェーブレット係数のしきい値処理（ハードしきい値、ソフトしきい値）により、小振幅のノイズ成分を除去し、信号の重要な構造を保持する。エルミットウェーブレットやドブシーウェーブレットなど多様な基底関数が存在し、画像圧縮や医療信号処理で実績がある。
2.3 統計的平滑化手法
2.3.1 カーネル平滑化（ナダラヤ＝ワトソン推定）
カーネル平滑化は、各データ点の周囲にカーネル関数（ガウスカーネル、エパネチニコフカーネルなど）で重み付けした局所平均により回帰関数を推定するノンパラメトリック手法である。バンド幅パラメータが平滑化の度合いを決定し、バンド幅が大きすぎると過平滑化、小さすぎるとノイズの残存を招く。理論的には漸近的正規性や最適バンド幅の選択法が確立されており、分布の仮定が少ない点で汎用性が高い。
2.3.2 局所回帰（LOESS）
LOESS（局所重み付き回帰）は、各推定点の近傍データに対して重み付き多項式回帰を適用するノンパラメトリック平滑化手法である。カーネル平滑化の一般化とみなせ、局所的に線形または二次のモデルを当てはめることで、より複雑な曲線にも対応できる。頑健性の高い推定（反復重み付け）が可能であり、外れ値の影響を低減する。散布図の平滑化やトレンド抽出で広く使用される。
2.4 次元削減によるノイズ低減
2.4.1 主成分分析（PCA）
主成分分析は、データの分散が最大となる方向（主成分）に射影することで次元削減を行い、低次元部分空間に縮退したノイズ成分を除去する手法である。固有値の小さい主成分はノイズに対応するとみなし、上位k個の主成分のみを保持することで信号成分を抽出する。線形手法であるため、非線形構造を持つデータへの適用には限界があるが、画像圧縮や遺伝子発現データのノイズ低減に広く利用される。
2.4.2 特異値分解（SVD）
特異値分解は行列を特異値と左右の特異ベクトルに分解し、小さい特異値をゼロに設定（打ち切り）することで低ランク近似を構成するノイズ低減手法である。PCAと数学的に等価であり、画像のノイズ除去（低ランク近似フィルタ）、レコメンデーションシステムの欠損値補完、自然言語処理の潜在的意味解析などに応用される。計算量が大きいが、並列化やランダム化SVDによる効率化が進められている。
2.5 機械学習ベースの手法
2.5.1 オートエンコーダ
オートエンコーダは、入力データを低次元の潜在表現に符号化し、そこから元の入力を復元するニューラルネットワークである。ノイズ低減には、入力に故意にノイズを加えたデータから元のクリーンなデータを復元するよう学習させる「デノイジングオートエンコーダ」が有効である。潜在空間の次元を適切に設定することで、ノイズ成分が捨てられ信号成分のみが再構成される。画像、音声、テキストデータなど多様なモダリティで高い性能を示す。
2.5.2 ノイズ除去に特化したニューラルネットワーク
畳み込みニューラルネットワーク（CNN）や生成敵対ネットワーク（GAN）をベースにした専用のノイズ除去ネットワーク（例：DnCNN、GAN-based denoising）は、大規模データセットで学習することで、従来手法を上回る性能を達成する。残差学習、注意機構、マルチスケール処理などの工夫により、テクスチャやエッジなどの細かい構造を保ちながらノイズを除去する。リアルタイム推論には計算負荷が課題だが、モバイル向け軽量化モデルも開発されている。
3 評価指標
3.1 平均二乗誤差（MSE）
平均二乗誤差は、真の信号と推定信号の差の二乗平均であり、ノイズ低減の精度を定量的に評価する最も基本的な指標である。値が小さいほどノイズの除去と信号の保存が両立していることを示すが、画像や音声などの知覚品質と必ずしも一致しないため、他の指標と併用される。
3.2 ピーク信号対雑音比（PSNR）
ピーク信号対雑音比は、信号の最大可能パワーとMSEの比をデシベル単位で表した指標であり、画像や動画のノイズ低減評価で広く用いられる。PSNRが高いほど元の信号に近い再現ができていることを意味するが、人間の視覚特性とは乖離する場合がある。
3.3 構造的類似性（SSIM）
構造的類似性は、輝度、コントラスト、構造の三つの要素を比較することで、人間の知覚に近い品質評価を実現する指標である。-1から1の範囲をとり、1に近いほど元の信号との構造的類似性が高い。画像ノイズ低減の評価ではPSNRと併用されることが多い。
3.4 バイアス-バリアンストレードオフ
ノイズ低減手法は、バイアス（推定の偏り）とバリアンス（推定のばらつき）のトレードオフに直面する。平滑化を強めるとバイアスが増大し（過平滑化）、弱めるとバリアンスが増大する（ノイズ残存）。最適な手法は、このトレードオフをデータの特性や目的に応じて調整することで達成される。交差検証やAICなどの情報量基準が調整パラメータの選択に用いられる。
4 応用分野
4.1 時系列データの前処理
経済指標、気象観測、センサログなどの時系列データでは、測定ノイズや外れ値を除去してトレンドや季節性を明確にするためにノイズ低減が不可欠である。移動平均、指数平滑化、ウェーブレットフィルタが頻繁に用いられ、異常検知や予測モデルの前段処理として実施される。
4.2 画像処理（例：ノイズ除去フィルタ）
デジタル画像は撮影時のセンサノイズ、圧縮ノイズ、伝送ノイズなどに汚染される。メディアンフィルタ、ガウシアンフィルタ、非局所平均フィルタ（NLM）、BM3D、深層学習ベースの手法（DnCNN、U-Net）などが画像ノイズ除去に応用される。医療画像（CT、MRI）や天文学画像では、微細な構造を保持しつつノイズを除去する高度な手法が求められる。
4.3 音声信号処理
音声信号は周囲環境の背景雑音や録音機器の電気ノイズによって劣化する。スペクトルサブトラクション、ウィーナーフィルタ、ウェーブレットしきい値法、そして深層学習による音声強調（再帰型ネットワークや畳み込みネットワーク）が広く使われる。自動音声認識の前処理としても重要であり、クリアな音声の取得がコミュニケーションの質を向上させる。
4.4 経済データのトレンド抽出
経済時系列（GDP、株価、失業率など）は短期的な変動（ノイズ）と長期的なトレンドに分解される。ホドリック＝プレスコットフィルタ（HPフィルタ）、バンドパスフィルタ（バクスター＝キングフィルタ）、カルマンフィルタなどがトレンド抽出に用いられ、景気循環分析や政策評価の基礎データとなる。
5 限界と課題
5.1 過平滑化による情報損失
ノイズ低減を強く施すと、信号に含まれる微細な構造や急激な変化が失われる過平滑化が生じる。これは特にエッジやピーク、不規則なパターンが重要な情報である場合に問題となる。手法のパラメータ調整や適応的フィルタリング（例：エッジ保存平滑化）によって緩和が試みられるが、完全な回避は困難である。
5.2 非定常ノイズへの対応
多くの古典的手法はノイズが定常（統計的特性が時間的に不変）であることを仮定する。しかし現実のデータでは、ノイズの分散や相関構造が変化する非定常ノイズが頻繁に発生する。カルマンフィルタ、変化点検出と組み合わせた適応処理、時変ウェーブレットなど非定常性に対応する手法が開発されているが、計算の複雑性やパラメータ推定の難しさが課題である。
5.3 計算コストとリアルタイム処理
深層学習モデルや複雑な反復計算を要する手法（非局所平均、変分法）は計算コストが高く、リアルタイム処理には不向きな場合が多い。IoTやモバイルデバイスなどリソース制約のある環境では、処理速度とノイズ低減性能のバランスを考慮した軽量アルゴリズム（移動平均、単純なニューラルネットワーク）の選択が必要となる。近年ではハードウェアアクセラレーションやモデル圧縮技術の進展により、リアルタイム適用の可能性が広がっている。