視覚や科学計算の領域で空間データを扱うとき、根本的な問いが生じる。ノードの特徴量は空間上で独立にばらついているのか、それとも一貫した空間構造を形づくっているのか。Moran's IやGeary's Cといった古典的な空間自己相関統計量はこの現象を定量化する指標だが、単一のスカラー変数と固定された近傍重みしか扱えないため、高次元のグラフ状データへの適用には限界がある。
Piotr Keller氏とFayyaz Minhas氏による論文「SAIL: A Learnable Generalisation of Spatial Autocorrelation over Graph-Structured Data」は、空間自己相関を固定された統計量から学習可能な演算子へと拡張する微分可能フレームワーク「SAIL（Spatial Autocorrelation Index Learner）」を提案している。中心となるのは、候補となるスカラー場を定義する特徴量射影と、ノード間の近傍親和性という2組のパラメータを同時に学習する点にある。従来は与えられていた近傍構造と単一変数という前提が、データから学習される対象になる。
SAILが出力するのは解釈可能な局所・大域の空間的コヒーレンス記述子であり、教師あり予測に活用できるだけでなく、教師なし設定で空間自己相関のモードやホットスポットを発見することも可能にする。著者らは理論的な性質も示しており、適切なパラメータ化の下ではSAILが古典的な空間統計量を厳密に再現できるため、伝統的手法との統計的な整合性が保証される。また、潜在的な空間自己相関に駆動されるタスクでは、こうしたタスクの構造に適合した帰納バイアスを備え、ベイズ最適予測器を近似できることを示している。
実験は合成データと大規模な生物医学グラフで行われ、手法の統計的な正しさと空間的コヒーレンスを発見する能力の両方が確認された。論文はこの特性から、視覚、地理空間分析、生物医学といった幅広い領域への応用の可能性を指摘している。
本論文は2026年10月20日に投稿され、コンピュータビジョンとパターン認識（cs.CV）に分類され、番号はarXiv:2610.28806である。全文は44ページ・図22点で構成され、主論文に7点、補足資料に15点の図が含まれ、本文と補足資料は1つのファイルにまとめられている。コードリポジトリは https://github.com/pkeller00/SAIL で公開されている。