なぜ toorPIA は
数千次元で機能するのか
ここでいう「次元」とは、データが持つ数値の列の数のことです。 たとえば1回の振動計測を周波数成分に分解すると数千個の数値になります。これが「数千次元」のデータです。 このような高次元空間では「距離集中現象」が発生し、全ての点間距離が均質化します。 近傍という概念が崩壊するこの空間で、従来のk-NNベース手法は構造的に破綻します。 toorPIAは近傍グラフを使わない根本的に異なる設計で、この問題を回避しました。
たくさんの数値からなるデータの“遠近関係”を保ったまま、2次元の地図（ヒートマップ／散布図）に描き出します
距離集中現象と近傍グラフの崩壊
従来手法の限界
t-SNE、UMAP、PyMDEといった代表的な既存手法は、近くにある点どうしを線でつないだ「近傍グラフ」の構築に依存しています。 まず「この点の近くにある点はどれか」を特定し、その局所的なつながりを保存するように2次元に配置します。
しかし高次元空間では、全ての点間距離が同程度になる「距離集中現象」が発生。 近い点も遠い点も区別がつかなくなり、近傍グラフ自体が信頼できなくなります。
さらに、似たデータの集まり（クラスタ）の内側を引き寄せる力が、集まりどうしの本来の距離関係を歪め、 本来は連続的であるべき中間領域を破壊してしまいます。
toorPIAのアプローチ
toorPIAは近傍グラフを一切使用しません。 データ全体を通した点どうしの遠近関係（大域的なユークリッド距離＝2点がどれだけ離れているかという“普通の意味での距離”）を、そのまま2次元に射影します。
「何点を近くとみなすか」を人が設定する近傍パラメータ（既存手法では結果を左右する調整項目）がそもそも存在しないため、 素性不明のセンサーデータに対して試行錯誤なしで適用可能です。
この設計により距離集中現象の影響を受けにくく、数千次元におよぶ高次元データでも、データ本来の構造を保ったまま表現できます。 無関係なノイズの列が大量に混ざっていても、前処理でそれを取り除くからではなく、方式そのものがノイズに強いためです。
6000次元でも、状態の違いを見分けられる
意味のある信号がわずか数列にしか含まれず、残りの列はすべて無関係なノイズ——という極端なデータで、主要な次元削減8手法を同じ条件で比較しました。 ほかの手法が早い段階で状態の違い（たとえば設備が正常か異常か）を見分けられなくなるなか、toorPIA はその中で最も高い次元まで見分け続けました。 さらに、toorPIA標準の分析パイプラインでは、6000次元という高次元でも状態を見分けられることが確認されています。 使用したコード・データ・全手法の出力結果は GitHub で公開しており、誰でも同じ結果を再現できます。
6000次元
toorPIA標準の分析パイプラインで、この高次元でも状態を見分けられる
8手法を比較
主要な次元削減手法と同じ条件で検証
再現可能
コード・データを公開しDOIを取得。誰でも同じ結果を再現できる
4つの技術的優位性
中核アルゴリズムの実装は非公開です。一方で「同じデータからは常に同じ地図ができる」「計算時間はデータ量に比例」「調整パラメータが不要」といった外から確かめられる性質は、公開ベンチマークで誰でも検証できます。
大域的ユークリッド距離の保存
従来手法は局所的な近傍関係を保存しますが、toorPIAはn次元空間上のユークリッド距離そのものを 2次元に射影します。絶対的な比率こそ次元圧縮により歪みますが、 距離の大小関係（順序）を最大限保存するように設計されています。 2次元への圧縮で全ての距離関係を厳密に保つことは、どの手法でも原理的に不可能です。 そこで toorPIA は、その保存の忠実さを公開ベンチマークで客観的に検証し、主要な次元削減手法のなかで最も忠実に構造を保てることを確認しています。 近傍法のようにクラスタ内を引き寄せて大域構造を断絶させることがありません。
この設計により、クラスタ間の中間領域 — 正常と異常の間にある推移的な状態 — が破壊されません。 k-NN法はクラスタ内を引き締めることで中間領域を消失させますが、 toorPIAは曖昧なデータを曖昧なまま正直に表現します。
異常の前兆は往々にしてこの中間領域に最初に現れます。 中間領域を壊さずに残せることは、製造現場の予兆監視で決定的に重要です。 （同じ性質はAIモデル開発でも役立ちます。詳しくは後述の「AIモデルの内部診断」をご覧ください。）
k-NN非依存アーキテクチャ
t-SNEのperplexityやUMAPのn_neighborsは「何点を近傍とみなすか」を決めるパラメータです。 このパラメータの選択が結果を大きく左右しますが、高次元ではそもそも「近傍」の信頼性が低い。
toorPIAにはこのパラメータが存在しません。近傍グラフを構築するステップ自体がないため、 素性不明のセンサーデータに対しても、データを投入するだけで結果が得られます。 実運用において、この「試行錯誤が不要」という特性は決定的な優位性です。
時系列構造の高忠実な保存
公開ベンチマークでは、原点から放射状に異なる8方向へ伸びる8本の軌跡（各500ステップ）を検証に使いました。 各軌跡は千鳥足のように細かく揺らぎながら進みます。 これは製造現場で複数のセンサーがそれぞれ異なるトレンドで変動する状況を模擬しています。
検証ポイントは「各ステップの細かな揺らぎ（局所）と、軌跡全体が向かう方向（大域）を、両方とも正しく表現できるか」。 t-SNEやUMAPは軌跡が絡まって8方向の配置が崩れ、PCCは軌跡を均して細かな揺らぎを消してしまいます。 toorPIAだけが8方向の放射構造と各ステップの揺らぎを両立し、距離の忠実さを測る3つの指標すべてで8手法トップでした。 設備の経年劣化のような時系列変化の追跡に不可欠な性質です。 ベンチマークの時系列検証を見る
公開ベンチマークより：8本のランダムウォーク（各500ステップ、色は時間の進行）を各手法で2次元に射影した結果。toorPIAのみが8方向の放射構造と局所の揺らぎを両立。
O(n)計算量・GPU不要
計算量はデータ点数に対して線形。GPUは不要で、CPUだけで数十万点を1分以内に処理できます（下表は自社実測値）。 CPUコア数に応じてスケールします。
| ハードウェア | 数十万点 |
|---|---|
| 13th Gen Intel Core i9 | < 1分 |
| Raspberry Pi 5 (8GB) | < 5分 |
予兆監視の仕組み
「機械が検知し、人間が判断する」— toorPIAの予兆監視システムは、 数万点のマップをバックグラウンドで常時追跡し、正常から異常への推移が中間領域に現れた段階で担当者に通知します。
2段階の複合判定
視点 1: 正常領域の内外
正常稼働時のベースマップから正常領域を定義。 複雑な形状（凹凸・島構造）にも対応し、新規データが領域内か外かを判定します。
視点 2: 重心(Rg)からの距離
正常領域の重心から周辺点までの距離Rgを基準値とし、 2×Rgまでを警告範囲、それを超えると危険と判定。 しきい値はベースマップの形状から自動導出されます。
正常領域の内側
領域外 かつ 重心距離 ≤ 2×Rg
領域外 かつ 重心距離 > 2×Rg
Verified by Open Benchmark
この「正常だけで地図を作り、未知の異常を後から投入する」操作を、公開ベンチマークで8手法比較により検証しました。 toorPIA のみが異常を正常域の外（半径の9.7倍）に描き、 その方向が発生源クラスタを指しました（帰属 10/10、精度1.000）。 t-SNE・PyMDE・PCC はこの操作自体が実行不能、PCA・Isomap・UMAP・DREAMS は異常を正常域内に埋めてしまいます。
ベンチマークの詳細を見るAIモデルの内部診断
ここからは、AIモデルを開発・研究する方向けの応用例です。 ニューラルネットワークの中間層（内部状態）は1000次元を超えます。 toorPIAはこの高次元空間の構造を忠実に2次元へ射影し、 モデルの「結果」ではなく「構造的原因」を直接観察可能にします。
埋め込み空間の段階的可視化
例えばMNISTで学習したモデルの中間層（128次元）をtoorPIAで可視化すると、 訓練データの埋め込み空間における各クラスの分布構造が明確に現れます。
- Step 1 訓練データの埋め込み空間を表示し、学習済みの表現構造を確認
- Step 2 検証データを追加プロットし、未知データに対する認識精度を可視化
- Step 3 鏡像反転データを投入し、モデルの変換不変性を測定
過学習の構造的検出
過学習はモデルの出力精度だけでなく、中間層（内部状態）の空間構造に明確な痕跡を残します。 toorPIAの中間領域保存特性がこの検出を可能にします。
過学習モデル
クラスタが過剰に分離し、クラス間の中間領域が消失。 境界付近のデータに対して誤分類が頻発します。
適切な学習
クラスタ間に連続的な中間領域が保持され、 モデルが「曖昧さ」を適切に表現できていることが確認できます。
LLMの出力安定性分析とNeural Collapse
大学との共同研究では、Local LLMの出力層の内部状態（1000次元以上）をtoorPIAでマップ化し、 同一プロンプトに対する出力の揺らぎを構造的に分析しています。 また、深層学習の終盤で中間層表現が特定の対称構造に収束する「Neural Collapse」現象の可視化にも、 toorPIAの大域的距離保存特性が活用されています。 これらの研究は、プロンプト最適化や出力安定化へのフィードバック活用を目指しています。
この研究の詳細（LLMの内部状態を地図にする）を Research ページで見る