線形代数の基礎的な性質だが長く軽視されてきた「行列とグラフの等価性」に改めて注目が集まっている。行列を隣接行列としてグラフで表現し、逆にグラフを行列にエンコードすることで、抽象的な代数計算が直感的な図形問題へ変換できることが再評価されている。特にグラフニューラルネットワーク（GNN）やスペクトラルグラフ理論の活用により、実務レベルでの応用が広がっている。
n×n行列Aは、n個のノードをもつグラフの隣接行列として解釈可能。行列要素A[i,j]がノードiからノードjへのエッジの重みに対応する。逆に、あらゆるグラフはその隣接行列で完全に記述される。
グラフ表現：○-○ → 行列表現：[[0,1],[1,0]]
例えば、行列の固有値・固有ベクトルはグラフのスペクトラル性質に直結。ページランクアルゴリズムも、Webグラフの隣接行列のべき乗計算の本質。この対応付けにより、グラフの連結性、最短経路、中心性がすべて行列演算で統一的に表現される。
| 手法 | 表現形式 | 計算特性 | 用途 |
|---|---|---|---|
| 隣接行列（密行列） | 行列 | O(n²)メモリ、O(n³)演算 | 小規模グラフ、完全な接続情報が必要 |
| 隣接リスト | グラフ構造体 | O(n+e)メモリ | 疎グラフ、トラバーサル最適化 |
| スパース行列（CSR形式） | 行列+インデックス | O(n+e)メモリ、高速演算 | 大規模ネットワーク、GPU計算向け |
| グラフニューラルネットワーク | ハイブリッド | 適応的 | 学習ベースのグラフ表現、エンドツーエンド最適化 |
PythonのNetworkXで小規模グラフを生成し、その隣接行列をNumPyで計算。scipy.sparseのCSR形式で大規模グラフを効率的に処理。PyTorch Geometricを使えばワンステップでグラフニューラルネットワークを実装できる。Spectral Graph Theoryの教科書「Algebraic Graph Theory」の実装例が公開されている。
この記事はAI業界の最新動向を速報でお届けする「AI Heartland ニュース」です。