1 局所多項式補間の概要
1.1 定義と基本概念
局所多項式補間は、関数や観測データを、注目点の周辺だけを用いて次数の低い多項式（局所モデル）で近似し、そこでの値や導関数を推定する手法群の総称である。区間全体を単一の多項式で表す代わりに、評価点ごとに異なる係数（あるいは異なる局所モデル）を用意する点に特徴がある。
典型的には、各評価点 x に対して近傍集合を定め、その集合上のデータに適合する多項式を構成する。近傍の取り方と多項式の次数、そして近傍データに与える重み（または採用する点数）が、精度と安定性を左右する。
1.2 全体補間との違い
1.2.1 大域的多項式補間の特徴と課題
大域的多項式補間では、全データ点を通過するように高次多項式を一意に定めることが多い。これは理論上は明快だが、次数が高くなるほど係数が暴れやすく、数値計算では丸め誤差の影響が増える。さらに、データがノイズを含む場合、全点通過は過学習に相当し、真の滑らかな構造から外れた挙動を生みやすい。
また、補間誤差は点の分布や間隔に敏感で、特に端部での振る舞いが不安定になりやすい。結果として、局所的な形状を正しく捉えるという目的に対して不向きな局面がある。
1.2.2 局所化による利点（精度・計算・安定性）
局所化は、評価点の近傍に限定した情報で近似を行うため、全体の形状に引きずられにくい。局所多項式は次数を抑えやすく、基底の選び方次第で数値安定性を改善できる。さらに、端部でも利用可能な点集合が変化するため、境界挙動を設計パラメータで調整しやすい。
計算面では、評価点ごとに扱うデータ点数が固定または制御されるため、データが多い場合に大域補間よりスケールしやすい。もちろん、評価点が非常に多いと再計算コストが増えるが、後述の通り再利用や前処理で抑制可能である。
1.3 典型的な目的（値・導関数・近似誤差）
局所多項式の推定対象は、値 f(x) のみならず導関数にも広がる。局所モデルが多項式である以上、微分は解析的に容易であり、数値微分の不安定性を緩和しながら滑らかな導関数推定が可能になる場合がある。
近似誤差の観点では、局所モデルが真の関数をどの程度の精度で表すかは、モデル次数、近傍サイズ、データの滑らかさ、観測ノイズの有無に依存する。次数を上げれば理論上の近似能は向上するが、係数推定のばらつきが増えるため、最適化は設計問題になる。
2 数学的定式化
2.1 局所近傍の選び方
局所多項式補間の核は、各評価点に対して「どのデータを使うか」を定める近傍選択にある。近傍の定義は距離指標とデータ配置に依存し、1次元なら絶対距離、複数次元ならユークリッド距離や重み付き距離が用いられることが多い。
近傍点数が固定される方式は計算を安定化させ、半径で決める方式はデータ密度の違いに応じた柔軟性を与える。いずれも、次数とセットで設計する必要がある。
2.1.1 固定半径による近傍
固定半径方式では、評価点 x から半径 r の範囲にある観測点を近傍とする。データが均一密度であれば近傍点数がほぼ一定になり、再現性が高い。一方、密度が局所的に変化すると点数が変動し、回帰の有効サンプル数が揺れる。
半径 r は、近似精度とノイズ混入の両方に影響する。小さすぎれば分散が増え、大きすぎれば局所性が失われてバイアスが増えるというトレードオフが生じる。
2.1.2 k近傍による近傍
k近傍方式では、距離が近い順に k 個の点を採用する。これにより近傍点数が一定になり、行列サイズや演算回数を揃えられる。データ密度が変化する領域でも、常に同じ情報量で推定できるため、数値計算の安定性に寄与することがある。
ただし、点が密な場所では半径が縮み、粗な場所では半径が拡がる。粗密の極端な違いがあると、局所性の意味が一貫しなくなるため、k の設計と併せて注意が必要である。
2.1.3 不等間隔データへの拡張
不等間隔の1次元データでは、距離による近傍選択をそのまま使うと、間隔が広い領域で局所モデルが過度に大きな範囲を含むことがある。対策として、半径方式なら最小点数や上限半径を設ける、k近傍方式なら許容半径を超える場合に次数や重みを調整する、といった制約設計が行われる。
多次元に拡張する場合も同様で、距離の定義、異方性（スケールの違い）、観測の欠損によって近傍の意味が変わる。したがって「距離に基づく局所性」が目的に合っているかを確認することが重要になる。
2.2 局所多項式の構成
2.2.1 ラグランジュ型局所補間
ラグランジュ型は、選ばれた近傍点集合を通る多項式を、基底多項式の線形結合として表す考え方である。次数を m とすると、通常 m+1 点が必要であり、点の選び方がそのまま多項式次数に反映される。
局所化では評価点ごとに近傍が変わるため、ラグランジュ基底は点集合ごとに定義される。データがノイズを含む場合、通過条件は過剰適合になり得るため、次数設定や重み導入（後述）との組合せが検討される。
2.2.2 ニュートン型（差分）局所補間
ニュートン型は、基底を「差分」に基づいて構成し、多項式を階差の積として組み立てる形式である。分かりやすい差分計算が可能な場合、局所点集合が整然と扱えると効率的に実装できることがある。
ただし近傍点が評価点ごとに変化するため、差分表の再構築が必要になることが多い。そのため実装では、ニュートン型の利点を保ちながら更新コストを抑える工夫（基底変換や再計算戦略）が求められる。
2.2.3 基底変換（モノミアル基底・直交基底）
多項式の係数推定は、基底の選び方で数値特性が大きく変わる。モノミアル基底（x のべき）をそのまま用いると、スケールの問題から条件数が悪化しやすい。そこで、評価点中心に座標変換を施す、あるいは直交多項式基底を用いて係数推定の安定性を改善することがある。
基底変換は理論上は同値だが、実装上の誤差伝播に差が出る。局所範囲を正規化するなどの前処理は、特に次数が高い設定で効果が出やすい。
2.3 尤度（重み）とその役割
2.3.1 重み付き補間の一般形
重み付きの局所モデルでは、近傍点に対して寄与度を変える。最も一般的には、重み付き最小二乗により係数を求め、得られた多項式を推定値に用いる。通過補間ではなく回帰として扱うため、ノイズがある場合の頑健性が上がることがある。
重みは、目的変数の誤差分布や近傍の品質（距離による劣化）を反映する設計対象として位置づけられる。
2.3.2 重み関数の選択指針
重み関数は距離に基づくことが多く、評価点から遠いほど小さな重みを与える。滑らかに減衰する関数（例：ガウス型、二乗余弦型、ローカル線形型など）が選ばれることがある。
選択指針は、局所性の強さとサンプル利用の仕方のバランスにある。減衰が急すぎると有効点数が減って分散が増え、緩すぎるとバイアスが増える。さらに、重み関数の形状は数値安定性にも影響するため、次数と近傍設定との整合が必要になる。
3 代表的手法と関連法
3.1 局所多項式回帰（重み付き最小二乗）
3.1.1 バイアスと分散の考え方
局所回帰では、モデル次数が低いほど近似の不足（バイアス）が増え、次数が高いほどバイアスは減るが推定のばらつき（分散）が増える傾向がある。加えて、近傍サイズが小さいほど分散が増え、大きいほど局所性が失われてバイアスが増える。
このため、次数と近傍幅（あるいは k）と重み減衰の形は、単独ではなく一体で最適化する必要がある。理論的には、データの滑らかさ（導関数の存在や連続性）とノイズ強度に依存して誤差分解が議論される。
3.1.2 平滑化との関係
局所多項式回帰は、ノイズ除去の文脈では「局所平滑化」と同じ系統の考え方として扱われることがある。通過補間に比べて、観測誤差の影響を平均化しながら滑らかな曲線を得やすい。
ただし「平滑化＝低周波成分の抑制」とは限らず、次数や重み設定により局所的な形状（曲率や傾き）の復元が変わる。目的が単なる平滑化なのか、導関数推定の精度確保なのかで設計目標が変わる。
3.2 スプラインとの関係
3.2.1 局所性の観点から見た比較
スプラインは、区間を分割し、各部分区間で低次多項式を接続する手法であり、局所性という点で局所多項式補間と思想が近い。違いは、局所性の生成方法が「節点による区間分割」か「評価点ごとの近傍選択」かにある。
スプラインは全体として連続性や滑らかさを保証しやすい一方、データ配置が不規則なときの扱い方は設計に依存する。局所多項式は、点列中心で推定するため、欠測や不均一密度に対して柔軟に対応できる場合がある。
3.2.2 パラメータ（次数・節点）設計
スプラインでは次数に加え節点数や配置が重要で、過度に細かい節点は過学習を招きやすい。局所多項式では近傍サイズと次数が対応する役割を持ち、同様に最適化が必要である。
実務では、目的が値の滑らかな補間か、導関数推定かで設計基準が変わる。スプラインでは連続次数（例えば一階連続か二階連続か）を設定し、局所では多項式次数と近傍配置がそれに相当する性能を決める。
3.3 カーネル法・移動最小二乗との関連
3.3.1 カーネルの解釈
局所多項式回帰における重みは、カーネルとして解釈できる。カーネルは「どれだけ遠い点を無視するか」を定量化する装置であり、重み関数の減衰形はカーネルの形状に対応する。
この観点では、局所補間はカーネル平滑化の一種として理解できる。さらに、多項式次数がカーネルの持つ「局所的な近似能力」を増強する役割を担う。
3.3.2 環境推定としての見方
環境推定の立場では、未知の関数を局所的なモデルで近似し、観測ノイズを平均化して推定する。評価点周辺のデータが「その点の環境」を表し、そこから多項式パラメータを推定して値や勾配を得る、という見取り図になる。
この視点では、重み設計は環境の信頼度を反映する手段である。データが持つ測定誤差やサンプリングの偏りがある場合、カーネルの形を工夫することで推定の偏りを抑える方針が立つ。
4 誤差解析と数値特性
4.1 近似誤差の評価
4.1.1 Taylor展開による理解
真の関数が十分に滑らかであれば、評価点近傍でテイラー展開が可能である。局所多項式は有限次数までを近似するため、打ち切り項が近似誤差の主成分として現れる。したがって誤差は、モデル次数が高いほど減りやすいが、近傍が広いほどテイラー系列の高次項の寄与が増える。
この理解により、「近傍幅をどの程度まで小さく保つと、次数に見合った精度を得られるか」という設計論が導かれる。
4.1.2 次数と近傍サイズのトレードオフ
次数 m を固定したとき、近傍半径や k を大きくすると、より多くの点を使えて回帰の分散が下がる場合がある。一方で、局所性が損なわれると打ち切りによるバイアスが増える。逆に、近傍が小さすぎるとデータが不足して推定のばらつきが増す。
実際の挙動は、ノイズの有無、関数の局所的な曲率、データ密度の変化に依存する。したがって誤差の最小化は多変量の設計問題として扱われることが多い。
4.2 境界付近での挙動
4.2.1 近傍選択による偏り
端部では片側の情報しか得られないため、対称な配置が崩れる。すると、偶数・奇数の項に対するキャンセルが起きにくくなり、推定が体系的にずれることがある。特に導関数の推定では偏りが顕在化しやすい。
改善策として、近傍サイズを変える、重み関数の形を端部で補正する、あるいは基底を工夫して対称性に近い状況を作るといった方針がとられる。
4.2.2 擬似的な対称性の扱い
擬似的な対称性とは、端部で足りない側の情報を、仮想的な点や反射則、あるいは設計された重みで補う考え方を指す。実装では、近傍点に基づくローカル多項式が必要条件を満たすように設計することがある。
反射や拡張が適切に機能するのは、関数の局所的な性質が対称性をある程度許す場合である。一般性を損なわないためには、端部の推定誤差を検証し、設計の妥当性を確認することが必要になる。
4.3 数値安定性
4.3.1 行列条件数と基底の影響
重み付き最小二乗では、設計行列の条件数が数値誤差を支配しやすい。近傍が狭すぎると説明変数が近似的に線形従属になり、条件数が悪化することがある。また、モノミアル基底をそのまま使うとスケールが偏って計算が不安定になる。
安定化のためには、中心化とスケーリング、直交基底の採用、または正則化（必要に応じて）が有効である。次数を上げるほど不安定になりやすいため、基底設計は実務上重要になる。
4.3.2 評価点ごとの再計算コスト
局所法では評価点ごとに近傍が変わるため、係数推定を都度行う必要がある。評価点の数が多いと計算コストが支配的になり、再計算をどう抑えるかが課題となる。
近傍が重なる場合には、近傍集合に基づく前処理（カーネルの重み計算、行列分解の再利用など）で効率化できることがある。さらに、低次・固定次数なら閉形式に近い計算で更新できる実装もある。
5 実装と計算上の工夫
5.1 データ構造と近傍探索
5.1.1 グリッド化
1次元または低次元でデータが扱いやすい場合、空間をグリッドに分割し、評価点ごとに近傍候補を絞り込む方法がある。固定半径なら半径に相当するグリッド範囲だけ探索すればよく、実装が単純になりやすい。
ただし、次元が増えるとグリッド数が急増するため、メモリと探索効率のバランスに注意が必要である。
5.1.2 空間探索（ツリー構造など）
Kd-tree や ball tree のような空間分割構造は、距離に基づく近傍探索を高速化する。k近傍や半径近傍のクエリに適しており、データ数が多いと効果が出やすい。
探索結果の取得後に重み計算や行列構築を行うため、実装では「近傍探索」と「係数推定」を分離して最適化するのが一般的である。
5.2 多項式次数の決定
5.2.1 自動次数選択の考え方
次数選択は、誤差と安定性の両面から決める必要がある。モデルが複雑になりすぎると数値誤差と分散が増えるため、候補次数を限定し、各評価点あるいはデータ全体で性能指標を比較する。
自動選択では、残差や予測誤差に基づく指標（例：局所的な検証誤差）を使うことで、局所的に適切な複雑度を推定できる可能性がある。
5.2.2 クロスバリデーションの利用
クロスバリデーションは、データを分割して予測性能を評価する枠組みである。局所補間では「空間的に近い点」を分割の単位に含める必要があり、単純なランダム分割は局所相関を無視して過大評価につながることがある。
したがって、距離に基づく分割や、ブロック化（空間ブロックを単位に切る）など、局所性を壊さない設計が望ましい。最適化対象は次数だけでなく近傍サイズや重みパラメータにも及ぶ。
5.3 計算量の見積もり
5.3.1 評価点数に対するスケーリング
最小限の設計行列が近傍点数 s に比例するとすると、1評価点あたりの計算は基底次第でおおむね多項式次数の多項式オーダーとなり、さらに近傍探索コストが加わる。評価点が N 個なら全体の計算量は N に比例することが多い。
ただし近傍探索が支配的な場合と、係数推定が支配的な場合で最適化方針が変わる。前者は空間構造の改善、後者は基底の安定化や分解の工夫が中心になる。
5.3.2 事前計算の活用
重み関数が距離のみで決まり、同じ評価点集合を繰り返し使うなら、距離や重みの計算を事前に保存することで高速化できる。さらに、次数が固定で、正規化した座標で同型の行列を作れる状況ではテンプレート的な計算が可能になる。
前処理に必要なメモリが増えるため、データ規模と許容資源に応じた選択が必要である。実行時間の分布を計測してボトルネックを特定してから導入するのが現実的である。
6 応用分野
6.1 信号処理・時系列の平滑化
時系列の観測において、ノイズを含む信号から局所的なトレンドや滑らかな変化を抽出する際に用いられる。局所多項式は、中心化した窓でモデルを当てることで、短期の挙動に追従しつつ不必要な揺らぎを抑える。
導関数推定が重要な場合は、傾きや加速度に相当する量を多項式微分として得られるため、差分近似より安定な推定につながることがある。
6.2 画像処理（局所近似）
画像の各ピクセル周辺で強度や勾配を多項式で近似することで、エッジ近傍の局所的なモデル化やノイズ低減を行える。画像は2次元格子に対応するため、近傍探索は固定窓や半径に基づく方式が選ばれる。
局所性はエッジをまたがないことに関係するため、重み設計と近傍サイズが結果に直結する。計算負荷を抑えるため、次数を低く保ちつつ導関数の推定に必要な自由度だけ確保する設計が行われる。
6.3 数値微分・微分方程式への応用
数値微分では、微分が差分では増幅されやすいノイズに敏感である。局所多項式補間は、点近傍で多項式を当てはめ、その係数から導関数を計算できるため、微分推定の安定化に役立つ。
微分方程式の離散化では、解やその導関数を推定する部分に局所近似が取り入れられることがある。格子が不規則な問題では、局所的に構成したモデルが表現力を補う手段になる。
7 典型例とケーススタディ
7.1 ノイズを含むデータの補間
観測値に誤差がある場合、通過条件を課す補間は振動を招きやすい。そこで、重み付き最小二乗により局所回帰として推定すると、ノイズの影響を平均化しつつ、滑らかな形状を再現できる可能性が高まる。
実務では、次数を控えめにしつつ、近傍サイズと重み減衰を調整して誤差と滑らかさのバランスを取る。検証では、残差分布と予測誤差の両方を見ることが有効である。
7.2 不等間隔観測点での近似
センサの配置が等間隔でない状況では、固定窓の概念が崩れる。近傍探索を距離で定義する局所多項式は、その配置に追随できるため、観測の不均一性に頑健になりやすい。
ただし、密度の低い領域では有効情報が少なくなり、分散が増える。k近傍により点数を一定にする、あるいは重みの正規化で寄与度を調整するなどの工夫が用いられる。
7.3 境界条件を考慮した局所推定
境界近傍では片側データしか利用できず、推定の偏りが増える。境界近くの評価点については、近傍選択や重み関数を端部向けに調整することで精度を改善できる場合がある。
さらに、境界で既知の条件（例えば値や勾配）を追加情報として組み込む設計も考えられる。局所モデルの自由度と制約条件の数の整合が重要であり、過度な制約は別の不安定性を生み得る。
8 よくある誤りと注意点
8.1 過度な次数選択
次数を高くしすぎると、近傍内のデータは過剰に説明され、ノイズをも多項式で表現してしまうことがある。結果として、見かけ上の適合は良くても外挿的な評価や別領域の予測で悪化しやすい。
また高次数は基底の数値不安定性を増幅させるため、同じ理論誤差でも計算誤差が前面に出る場合がある。次数は必要な自由度に抑えるのが一般に望ましい。
8.2 近傍サイズの不適切設定
近傍半径が小さすぎると推定が不安定になり、点のばらつきに引きずられる。逆に大きすぎると局所性が失われ、テイラー近似の打ち切り誤差が支配的になる。
この問題は次数との相互作用が強いので、近傍だけを先に決めて固定し、次数は後から決めるような手順だと最適化が難しくなることがある。
8.3 重みの設定ミスによる挙動不良
重み関数が急激にゼロへ落ちる設計だと、有効点数が突然減って計算が不連続になり得る。反対に重みがほぼ一定だと局所性が薄れ、大域回帰に近づいてしまう。
また重みの正規化やスケーリングを誤ると、行列の条件数が悪化し、係数推定が暴れることがある。重みは「寄与度の設計」であり、次数・近傍と合わせて検証する必要がある。
9 関連概念（学習のための導線）
9.1 大域多項式補間
大域多項式補間は、全データ点を通過するように単一の高次多項式を構成する考え方である。局所多項式の対比として、次数上昇による不安定性やノイズへの過敏さを理解するための参照先になる。
局所法が「なぜ安定化しやすいのか」を、近傍選択とモデル複雑度の制御という観点で整理するのに役立つ。
9.2 多項式近似・直交多項式
多項式近似は、データの傾向を多項式で表す一般枠であり、直交多項式は基底の相関を抑えて推定を安定化しやすい。局所多項式でも基底として直交系列を用いると数値特性が改善されることがある。
学習では、なぜ直交化が条件数に影響するか、基底選択が誤差伝播へ与える効果を結びつけて理解するとよい。
9.3 非線形回帰と比較するための観点
非線形回帰ではモデルの自由度がさらに増え、最適化アルゴリズムや初期値に依存する場合がある。局所多項式はパラメータが線形に入る設定が多く、推定が比較的扱いやすいことが利点になる。
ただし、局所性を作るための近傍選択や重み設計は非線形要素を含むことがある。比較では「どこが最適化対象で、どこが設計パラメータか」を切り分けて考えると整理しやすい。