位相的データ解析（TDA：Topological Data Analysis）は、データの「形の特徴」をトポロジーの手法で抽出する新しいデータ解析アプローチです。
「TDAって何をする手法なの？」「機械学習・統計との違いは？」という疑問をお持ちの方も多いのではないでしょうか。
TDAは高次元データのノイズに強い形状特徴の抽出・クラスター構造の発見・データの位相的性質の定量化を可能にする、データサイエンスの最先端分野です。
この記事では、TDAの基本概念・主要手法（パーシステントホモロジー）・応用事例・他手法との違いを体系的に解説します。
データサイエンス・機械学習に関わるすべての方に役立つ内容ですので、ぜひ最後までお読みください。
位相的データ解析とは「データの位相的な形の特徴を数学的に定量化する解析手法」
それではまず、TDAの基本的な定義と他の解析手法との違いについて解説していきます。
TDAとは、トポロジー（位相幾何学）の理論を応用してデータの「形の特徴（穴の数・連結成分・空洞）」をスケールに依存しない形で定量的に抽出する解析手法です。
通常の統計解析や機械学習が主に「点の値・距離・分布」を扱うのに対し、TDAは「データがどのような形をしているか」を解析します。
TDAの直感的なイメージ：点群データ（多次元の観測データの集合）を様々なスケール（解像度）で眺めたとき、どのようなクラスター・穴・空洞が生じ、消えていくかを追跡することでデータの本質的な形の特徴を捉えます。
TDAの中核手法：パーシステントホモロジー
TDAの最も重要な手法が「パーシステントホモロジー（Persistent Homology）」です。
点群データに対してスケールパラメータ（半径ε）を0から大きくしながら、各点の周りに球を膨らませてできる複体（Vietoris-Rips複体など）のホモロジー群を追跡します。
各「穴（0次元：連結成分、1次元：ループ、2次元：空洞…）」が生まれる（birth）スケールと消える（death）スケールを記録し、パーシステンスダイアグラム（persistence diagram）として可視化します。
長く「生き残る」特徴（high persistence）はデータの本質的な形の特徴であり、すぐ消える特徴（low persistence）はノイズと解釈します。
バーコードとパーシステンスダイアグラムの読み方
パーシステントホモロジーの結果は「バーコード（Barcode）」または「パーシステンスダイアグラム」として表現されます。
バーコードは各位相的特徴（穴）のbirth〜deathの区間を棒グラフで示し、棒が長いほど「スケールを超えて持続する重要な形の特徴」を意味します。
パーシステンスダイアグラムは (birth, death) の点を2次元平面にプロットし、対角線から遠い点ほど重要な特徴を表します。
単体複体とホモロジーの基礎
TDAの理論的基礎となるのが「単体複体（simplicial complex）」とホモロジーの概念です。
点・辺・三角形・四面体…を貼り合わせた組み合わせ的な空間が単体複体であり、ホモロジー群はこの空間の「穴の情報」を代数的に捉えます。
0次元ホモロジーは「連結成分の数−1」、1次元ホモロジーは「ループの数」、2次元は「空洞の数」に対応しており、各次元の穴の個数がベッチ数（Betti number）として定量化されます。
TDAの主要ツールと実装方法
続いては、TDAを実際に使うためのツールと実装方法を確認していきます。
PythonでのTDA実装：Gudhi・Ripser・scikit-tda
TDAをPythonで実装するための主要ライブラリとして、Gudhi・Ripser・scikit-tdaがあります。
Ripserは高速なパーシステントホモロジー計算に特化したライブラリで、大規模な点群データへの適用が可能です。
scikit-tdaはscikit-learn互換のAPIを提供し、機械学習パイプラインへのTDAの組み込みを容易にします。
Ripserを使った簡単な例：import ripser; from ripser import ripser; from persim import plot_diagrams; data = np.random.rand(100, 2);（2次元点群データ）diagrams = ripser(data)[‘dgms’];（パーシステンスダイアグラム計算）plot_diagrams(diagrams);（可視化）
Mapperアルゴリズムとデータ可視化
TDAのもう一つの重要手法が「Mapperアルゴリズム」です。
Mapperは高次元データの「骨格（スケルトン）」をグラフとして可視化するアルゴリズムで、データの全体的な形の構造を直感的に把握するのに役立ちます。
クラスター数・分岐構造・ループなどがグラフとして現れるため、データの特徴的な構造の発見・仮説生成に適しています。
Wasserstein距離とTDAの機械学習への統合
パーシステンスダイアグラムの類似度を比較するための指標として「Wasserstein距離」や「Bottleneck距離」が使われます。
これらを使ってTDAの出力（パーシステンスダイアグラム）を特徴量化し、分類・回帰などの機械学習タスクに組み込む「TDAベースの機械学習」が発展しています。
パーシステンスイメージ（Persistence Image）などの手法でTDA特徴量をベクトル化し、SVMやニューラルネットワークに入力する研究も盛んです。
TDAの応用分野と実際の活用例
続いては、TDAが実際にどのような分野で活用されているかを確認していきます。
生命科学・医療への応用
TDAはがん診断・神経科学・タンパク質構造解析など生命科学分野で重要な応用が進んでいます。
乳がんのゲノムデータへのTDA適用により、既存の分類法では見逃されていた新たなサブタイプ（高生存率の三陰性乳がんの一部）を発見した研究は、TDAの医療応用の代表的な成果です。
神経科学では、fMRIデータの位相的解析により脳の機能的連結パターンの特徴を抽出する研究も行われています。
材料科学・物性物理への応用
アモルファス材料（ガラス・金属ガラスなど）の構造解析にTDAが使われています。
X線・中性子線回折データや分子動力学シミュレーションの点群データにTDAを適用することで、従来の回折ピーク解析では捉えられなかった中距離秩序（medium-range order）を定量化できます。
金融・時系列データ解析への応用
金融市場の時系列データ・株価変動のTDA解析が注目されています。
時系列データから構成した点群のパーシステントホモロジーを計算することで、市場の周期性・相関構造・異常検知に応用されています。
TDAは次元の呪いに比較的強いという特性を持つため、高次元金融データの解析に適した手法として研究が進んでいます。
まとめ
位相的データ解析（TDA）とは、トポロジーの理論を使ってデータの形の特徴（穴・連結成分・空洞）をスケールに依存しない形で定量化する革新的な解析手法です。
パーシステントホモロジー・Mapperアルゴリズムが中核手法であり、PythonのRipser・Gudhiなどのライブラリで実装できます。
がん診断・材料科学・神経科学・金融解析など多様な分野での応用が急速に進んでおり、機械学習との融合も発展しています。
ノイズに強く高次元データの本質的な形の特徴を捉えられるTDAは、今後さらに多くのデータ科学の場面で活躍が期待される手法です。
