スプライン法入門：補間・平滑化・Bスプライン/NURBSの基礎とITでの活用
エバープレイ編集部スプライン法とは――概要とITにおける位置付け
スプライン法（スプラインそほう、spline methods）は、離散データ点や制御点を滑らかにつなぐための数学的・数値的手法群の総称です。単に「スプライン」と言えば、一般に区分多項式（piecewise polynomial）で構成され、接続点（ノット）で所定の連続性（微分の連続性）を満たすように定義される曲線や曲面を指します。IT分野では、データ補間・近似、機械学習（特徴変換やGAM）、コンピュータグラフィックス（曲線・サーフェス表現）、CAD/CAM（NURBS）など幅広く利用されています。
スプラインの基本概念：ノット、次数、連続性
スプラインを理解するための基本要素は次のとおりです。
- ノット（knot）: 区分多項式の切れ目となるx座標。ノット列によって各区間で使用する多項式が決まる。
- 次数（degree）: 各区間で使う多項式の次数。多くの場合、次数=3の「3次スプライン（cubic spline）」が標準的に用いられる。
- 連続性（Ck連続）: ノットでの連続性。例えばC2連続とは関数と1階・2階微分が連続であることを指す。次数がdならば最大でC(d-1)まで可能。
- 制御点（control points）: 特にBスプラインやNURBSでは曲線形状を決める点（重み付きの場合もあり）。
主なスプラインの種類
代表的なスプラインの種類と特徴を簡潔にまとめます。
- 補間スプライン（interpolating spline）: 与えられたデータ点を正確に通過するように構築。例：自然三次スプライン。
- 平滑化スプライン（smoothing spline）: データのノイズを考慮し、適度に滑らかな近似を行う。二乗誤差と曲率（2次微分の二乗積分）をトレードオフする正則化（ラグランジュ乗数）で定義される。
- Bスプライン（B-spline）: 基底関数を使った表現。ローカルサポート（局所性）があり、制御点の局所的な操作で形状を変更できる。
- NURBS（Non-Uniform Rational B-Splines）: Bスプラインを有理関数化したもので、円や錐面などの正確表現が可能。CAD/CAMで標準的に使用。
- パラメトリックスプライン: x-y平面でy=f(x)の形ではなく、パラメータtに対してx(t), y(t)で表現する。曲線・サーフェス表現に有効。
三次スプライン（cubic spline）――補間の標準解法
実務・解析で最もよく使われるのが三次スプラインです。n+1個のデータ点 (x_i, y_i) に対し、各区間 [x_i, x_{i+1}] で3次多項式を定義し、ノットで関数値と1・2階微分の連続性を課します。境界条件として典型的なのは「自然境界条件（natural）」で端点の2階微分を0にする方法ですが、端点の傾きを指定する「クランプ（clamped）」条件も使われます。
数値的には、内部ノットでの2階微分値を未知とすることで、三重対角行列（トライディアゴナル行列）を解く系に帰着します。この系はトーマスアルゴリズム（O(n)の前進・後退消去）で効率良く解けます。したがって均一であれ非均一であれ、三次スプライン補間は計算量・安定性の面で扱いやすい方法です。
BスプラインとCox–de Boorの再帰式
Bスプラインは基底関数の線形結合で曲線を表現します。次数pのBスプライン基底関数 N_{i,p}(t) は Cox–de Boor の再帰関係で定義されます。
- p = 0: N_{i,0}(t) はノット区間 [t_i, t_{i+1}) 上で1、それ以外で0のステップ関数。
- p > 0: N_{i,p}(t) = (t - t_i)/(t_{i+p} - t_i) * N_{i,p-1}(t) + (t_{i+p+1} - t)/(t_{i+p+1} - t_{i+1}) * N_{i+1,p-1}(t)
この再帰式により、Bスプライン基底は局所サポートを持ち、各基底は最多でp+1個のノット区間にまたがるため、評価は局所的で効率的です。de BoorアルゴリズムはBスプライン曲線の評価を安定に行う手法で、数値的な標準です（計算量は次数に依存して線形）。
平滑化スプラインと正則化（smoothing splines）
観測データにノイズがある場合、補間は過学習につながるため平滑化が必要です。平滑化スプラインは次の最小化問題を解くことで得られます：
minimize sum_i (y_i - s(x_i))^2 + λ ∫ [s''(x)]^2 dx
ここでλはスムージングパラメータで、λ→0なら補間に近づき、λ→∞なら単純な線形回帰に近づきます。この最適化問題の解は三次スプラインの一種であり、λを交差検証などで選択します。統計分野では smoothing spline は「再生核ヒルベルト空間（RKHS）」の代表例として理論的に扱われます。
ノットの選び方と過学習・滑らかさのトレードオフ
スプラインの性能はノットの数・位置、次数、正則化パラメータに依存します。実務上のポイント：
- ノットが多いほど表現力は上がるが過学習の危険がある。少ないほど滑らかだがバイアスが増す。
- ノット位置は等間隔、分位点、もしくはデータに応じた自動選択（例えばAIC/BICや交差検証）で決める。
- 次数は3（cubic）が経験的にバランスが良い。高次にすると振動や数値不安定が生じやすい。
- ノットの多重度（同一位置に複数のノットを置く）は滑らかさを低下させ、連続性の低下（微分が途切れる）を生じさせることができる。
スプラインと機械学習・統計の接点
スプラインは単なる補間手法に留まらず、機械学習や統計モデリングで重要な役割を果たします。代表例：
- 特徴変換: スプライン基底を用いて非線形特徴を作り、線形モデルで非線形性を表現する（例: basis expansion）。
- 一般化加法モデル（GAM）: 各変数に対してスプラインで柔軟な関数形を用いる。Rのmgcvパッケージが有名。
- 正則化との結合: smoothing spline の枠組みはリッジ回帰やTikhonov正則化と数学的に近い。
- 時系列・信号処理: 平滑化やトレンド抽出、デノイズに利用。
コンピュータグラフィックスとNURBS
グラフィックスやCADでは、Bスプラインの発展形であるNURBSが標準です。NURBSは重み付きBスプラインで、円や円弧を有理関数として正確に表現できます。NURBSの利点は一貫性・精度・ローカル制御の組合せにあり、自動車・航空機設計や3Dモデリングで広く使われます。
数値実装の実務的注意点
- 境界条件の選択が結果に影響する（自然境界/クランプ/周期など）。
- ノットの重複や極端に近いノットは数値的不安定を招く。
- 大規模データではノット数を抑えるか、局所的手法（Bスプラインや分割）を用いる。多変量の場合は次元の呪いに注意。
- ライブラリの利用を推奨: 実装ミスを避けるため、検証された数値ライブラリ（SciPy, Rなど）を使うと良い。
主要なライブラリと関数（実務でよく使うもの）
- Python / SciPy: scipy.interpolate.CubicSpline, InterpolatedUnivariateSpline, BSpline。評価や微分・積分対応。
- Python / scikit-learn: SplineTransformer（特徴変換）、PolynomialFeaturesと組合せて使うケース。
- R: splinefun（補間）、smooth.spline（平滑化スプライン）、splinesパッケージ、mgcv（GAM）。
- CAD/CG: 多くの3DモデリングツールやライブラリがNURBSをサポート（OpenCASCADE、Rhino、Autodesk等）。
応用例（IT現場での具体的ユースケース）
- センサーデータの補間と欠損補完：時間・空間データの滑らかな補間に使用。
- グラフ描画・可視化：曲線の滑らかな描画、曲線フィッティング。
- 機械学習の特徴作成：非線形回帰や分類の前処理で有効。
- 3Dモデリング・レンダリング：NURBSによる精密な曲面表現。
- 音声・信号処理：ピーク補正やエンベロープ推定など。
よくある誤解と注意点
- 「スプライン＝三次スプライン」ではない：三次が一般に多用されるが、スプラインは次数を変えられる汎用概念。
- ノイズがあるデータで補間すると過学習する：平滑化スプラインや正則化を検討すること。
- 高次多項式補間と混同しない：区分多項式で局所的に滑らかにする点が異なる。
- 計算コストは実装とデータサイズで変わる：Bスプライン基底を使うと局所性により効率化できる。
まとめ（実務へのアドバイス）
スプライン法は、滑らかさと柔軟性を両立できる強力な道具です。まずは三次スプライン補間と平滑化スプラインの基本を押さえ、次にBスプラインとNURBSの概念を理解すると実務での応用範囲が広がります。実装は既存ライブラリ（SciPy、Rのmgcv等）を活用し、ノット選択・次数・正則化パラメータを交差検証などで慎重に選ぶことが成功の鍵です。
