Alex Shtoff氏は2026年11月10日(現地時間)、機械学習分野の論文プラットフォームarXiv cs.LGで、ベクトル値のパラメトリック曲線を学習可能なプリミティブとして扱うPyTorchライブラリ「TorchCurves」を発表しました。このライブラリは、スカラー入力のバッチをB-splineまたはLegendre polynomial基底で表現された曲線の点にマッピングする機能を持ちます。入力と曲線係数の双方で微分可能であるため、モデル全体と共同での最適化や他のニューラルネットワークによる生成が可能となり、多様な機械学習アプリケーションへの応用が期待されます。
TorchCurvesは、曲線係数をモデル全体と共同で最適化することや、他のニューラルネットワークによって生成することを可能にします。これにより、連続的な特徴埋め込み、Kolmogorov-Arnold networks (KANs)、関数回帰といった幅広い機械学習アプリケーションに対して、柔軟かつ効率的なフレームワークを提供します。
ライブラリの内部構造は、主に三つのモジュールで構成されています。torchcurves.curvesは主要な曲線モジュールを扱い、torchcurves.basesは再利用可能な基底関数モジュールを提供します。また、torchcurves.functionalは曲線評価のための関数インターフェースを備えています。これらのモジュール群により、利用者は多様な曲線のタイプと基底関数を柔軟に組み合わせた実装を進めることが可能です。
具体的な応用例として、連続的な特徴埋め込みにおいては、TorchCurvesはスカラー入力を高次元の埋め込み空間にマッピングする曲線学習を可能にし、ニューラルネットワークへ連続的な特徴を取り込む強力な手段として機能します。また、Kolmogorov-Arnold networks（KANs）では、活性化関数として曲線を利用することで、単一変数の関数に限定されない汎用的な曲線タイプを導入できます。これは、既存のKAN関連ライブラリであるEfficientKANとの比較においても、その実用性が示されています。
実装面では、TorchCurvesは古典的な評価アルゴリズムとベクトル化されたPyTorch操作を効率的に組み合わせることで、高性能を実現しています。カスタムハードウェアカーネルに依存しない設計が採用されており、可読性と保守性の高さが重視されています。性能評価のための一連のタイミング実験では、NumPyやSciPyとの曲線評価の比較、およびKANの学習におけるEfficientKANとの比較が行われました。これらの検証結果は、一般的な用途における計算上の実用性を示す一方で、特定のシナリオで計算上のオーバーヘッドが発生する可能性も示唆しています。
TorchCurvesライブラリは現在、GitHub上で公開されており、利用可能な状態にあります。
参考: arXiv cs.LG (アーカイブ) — 2026年11月11日 03:58 (JST)