凸性とは？

Q.凸性とは

凸性（convexity）とは、数学で「中間が極端よりも高く（または低く）ならない」形状・関数の性質のこと。 もっと具体的に言うと、2点を結ぶ線分が必ずグラフの上側（または同じ位置）にあるような関数や集合の性質を指す。

📘 1. 凸性の数学的定義（関数の場合）

関数 $f$ が凸であるとは、任意の $x,y$ と $t\in [0,1]$ に対して

$$f(tx+(1-t)y)\le tf(x)+(1-t)f(y)$$

が成り立つこと。 これは「グラフ上の2点を結ぶ直線（弦）が、常にグラフの上側にある」という幾何学的意味を持つ。

📐 2. 凸集合の定義（集合の場合）

集合 $Q$ が凸集合とは、任意の2点 $v_0,v_1$ を結ぶ線分

$$(1-\lambda )v_0+\lambda v_1,\lambda \in [0,1]$$

がすべて集合の内部に含まれること。

🔍 3. 凸性の判定（微分による判定）

1変数関数の場合：

• 二階微分が常に非負（$f^{\mathrm{\prime }\mathrm{\prime }}(x)\ge 0$）なら凸関数

• 二階微分が常に正（$f^{\mathrm{\prime }\mathrm{\prime }}(x)>0$）なら狭義凸（strict convex）

🧠 4. 凸性が重要な理由（最適化の観点）

凸性は最適化で極めて重要。理由は：

• 局所最小値 = 大域最小値 →「谷が一つしかない地形」と同じ

• 解が一意になる（狭義凸の場合）

• 多くのアルゴリズムが高速・安定に収束する

凸性は機械学習・制御・経済学・物理学などで広く使われる。

🧩 5. 凸性の例

• 線形関数（常に凸かつ凹）

• 二次関数 $f(x)=x^2$（凸）

• 指数関数 $e^x$（凸）

• 絶対値関数 $\mathrm{\mid }x\mathrm{\mid }$（凸）

• $-\log x$（凸）

🎯 まとめ

• 凸性＝線分がグラフの上側にある性質

• 二階微分が非負なら凸

• 最適化で「唯一の最小値」を保証する強力な性質

Q.単調増加と違うのですか？

いい質問。凸性（convexity）と単調増加（monotonicity）はまったく別の概念で、しばしば混同されますが、性質としては根本的に違います。

🎯 結論：凸性 ≠ 単調増加

• 凸性は「曲がり方（形状）」の性質

• 単調増加は「値の増え方（方向）」の性質

つまり、凸性は“カーブの形”の話で、単調増加は“右に行くと値が増えるかどうか”の話。

📘 1. 具体的な違い

🔹 単調増加とは

関数 $f(x)$ が単調増加とは：

$$x_1<x_2\Rightarrow f(x_1)\le f(x_2)$$

つまり、右に行くほど値が増える。

例：

• $f(x)=x$（線形）

• $f(x)=e^x$（指数）

• $f(x)=\log x$（単調増加だが凸ではない区間あり）

🔹 凸性とは

関数 $f$ が凸とは：

$$f(tx+(1-t)y)\le tf(x)+(1-t)f(y)$$

つまり、グラフが「下に向かって丸い」形。

例：

• $f(x)=x^2$（凸だが単調増加ではない）

• $f(x)=e^x$（凸かつ単調増加）

• $f(x)=\mathrm{\mid }x\mathrm{\mid }$（凸だが単調増加ではない）

🔍 2. 代表的な反例で違いが一発でわかる

❌ 凸だが単調増加ではない

$$f(x)=x^2$$

• 左側（$x<0$）では減少

• 右側（$x>0$）では増加

• しかし形はずっと「下に丸い」ので凸

→ 凸性と単調増加は独立。

❌ 単調増加だが凸ではない

$$f(x)=\log x$$

• 単調増加

• しかし二階微分は負なので凹（concave）

→ 単調増加でも凸とは限らない。

🧠 3. 最適化の観点での違い

あなたは最適化・Barrier・Branch-and-Priceに強い関心があるので、ここが重要。

🔹 凸性が保証するもの

• 局所最適 = 大域最適

• 唯一の最小値（狭義凸）

• Barrier・PDLPなどの収束性が保証される

🔹 単調増加が保証するもの

• 値が増える方向がわかるだけ

• 最適化の構造はほぼ何も保証しない

• 単調増加でも非凸なら局所解にハマる

→ 最適化では凸性が圧倒的に重要で、単調増加はほぼ役に立たない。

📌 まとめ

性質	何を意味する？	最適化で重要？
凸性	曲がり方（形状）	★★★★★
単調増加	値の増え方（方向）	★☆☆☆☆