リーマン計量とは、多様体上の各点において接ベクトル同士の内積を定義し、距離や角度を測るための数学的な仕組みです。現代の機械学習や深層学習において、複雑な潜在空間の構造を解析し、効率的な最適化を行うための基礎理論として応用されています。
リーマン計量とは
一言でいうと、曲がった空間（多様体）の上で距離や角度を測るための「定規と分度器のセット」を各点ごとに与える数学的構造のことです。
詳しく解説
リーマン計量は、微分幾何学における中心的な概念であり、滑らかな多様体上に導入されます。AIや機械学習の文脈では、モデルのパラメータ空間や潜在変数が描く空間が非ユークリッド空間である場合に用いられます。空間が歪んでいるとき、通常の直線距離ではなく、最短経路である測地線に沿った距離を計算するために不可欠です。近年では、変分オートエンコーダや情報幾何学の分野において、確率分布の空間にリーマン計量を導入することで、より精度の高い確率的推論や最適化が行われています。
具体例・使われ方
具体的な利用例として、深層学習における最適化アルゴリズムである自然勾配法が挙げられます。自然勾配法では、パラメータ空間にリーマン計量（この場合はフィッシャー情報行列）を導入することで、確率分布の形が変わる変化率を考慮した効率的なパラメータ更新を実現しています。また、グラフ構造データや複雑なネットワーク構造を埋め込む hyperbolic space（双曲空間）などの解析にも利用されます。
似た用語との違い
通常のユークリッド距離が空間全体を通じて一定のまっすぐな計量であるのに対し、リーマン計量は点ごとに空間の曲がり具合（曲率）に応じて変化するという違いがあります。
注意点
リーマン計量を計算・適用する際には、高次元空間において計算コストが非常に高くなるという限界や注意点があります。特にフィッシャー情報行列などの逆行列を求める計算は、大規模な深層学習モデルではそのままでは扱えないため、近似手法を用いる必要があります。