（添付ファイル getPDF.jsp(nonsmooth).pdf はテキスト読み取り不能であったため、以下の内容は標準理論と提供文献に基づきます。）

1. 非平滑解析の基本アイデア

• 古典的微分積分は滑らかな関数に適していますが、以下のような重要な関数は非平滑（nonsmooth）です：

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距離関数
  • 最適化・制御における価値関数
  • ReLU型区分線形損失関数

• 単一の導関数を求める代わりに、非平滑解析では一般化導関数の集合を求めます。

• 局所リプシッツ関数 f: R^n → R に対して、Clarkeは一般化方向導関数と一般化勾配を非平滑最適化のツールとして導入しました。

2. クラーク一般化方向導関数

局所リプシッツ関数 f に対し、点 x における方向 v へのクラーク方向導関数は以下のように定義されます：

f°(x; v) = limsup_{y → x, t ↓ 0} [f(y + t v) - f(y)] / t

要点：

• 局所リプシッツ非平滑関数向けに設計されています。
• 標準的なクラーク理論では、v に関して正の斉次性と劣加法性を持ちます。
• 通常の方向導関数と比較して、一般的に大きいか等しくなります。
• 点 x 近傍での最悪ケースの局所方向成長を捉えます。

3. クラーク劣微分

クラーク劣微分は次のように定義されます：

∂C f(x) = { ξ ∈ R^n: f°(x; v) ≥ <ξ, v> がすべての v ∈ R^n で成立 }

局所リプシッツ関数 f に対する等価な記述として、クラーク劣微分は関数が微分可能な点での近傍勾配の極限の凸包としても表されます：

∂C f(x) = co { ∇f(x_k) の極限: x_k → x, f は x_k で微分可能 }

ここで co は凸包を意味します。

主要な性質：

• ∂C f(x) は局所リプシッツ関数に対する集合値の一般化導関数です。
• 標準的な有限次元クラーク理論では、∂C f(x) は非空、コンパクト、かつ凸です。
• f が x 近傍で連続的微分可能なら、クラーク劣微分は通常の勾配と一致します。

  ∂C f(x) = {∇f(x)}
  

• f が凸関数なら、クラーク劣微分は標準的な凸解析の劣微分と一致します。

例：

f(x) = |x|

このとき、

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0

これは、角点が可能な傾きの区間として表される標準的な基本例です。

4. クラーク劣微分の計算法則

f, g: R^n → R を x 近傍で局所リプシッツとします。クラーク計算法則は非平滑最適化理論の中核です。

和則

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x)

追加の正則性条件の下で等号が成立します。

スカラー倍則

スカラー a に対し、

∂C(a f)(x) = a ∂C f(x)

a < 0 の場合は集合が反転します。

積則

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x)

これはクラーク劣微分計算における標準的な包含型計算法則です。

商則

g(x) ≠ 0 かつ g が x 近傍で有界なら、標準的な商則は次の形式を持ちます：

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2

連鎖則

F: R^n → R^m が x で狭義微分可能で、φ: R^m → R が F(x) 近傍で局所リプシッツなら、クラーク連鎖則は次の包含関係で述べられます：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x))

φ がクラークの意味で正則（regular）なら、より強い形式が利用可能です。

最大値則

f(x) = max { f1(x), ..., fm(x) }

各 fi は局所リプシッツとします。活性インデックス集合を

I(x) = { i: fi(x) = f(x) }

と定義すると、標準的なクラーク最大値則は次の包含関係を与えます：

∂C f(x) ⊂ co ⋃_{i ∈ I(x)} ∂C fi(x)

fi が滑らかな場合、これは以下になります：

∂C f(x) ⊂ co { ∇fi(x): i ∈ I(x) }

多くの標準的最大値関数では、適切な正則性仮定の下で等号が成立します。

非平滑最適化のフェルマー条件

x が局所リプシッツ関数 f の極小点ならば、非平滑フェルマー条件は次で与えられます：

0 ∈ ∂C f(x)

これは ∇f(x)=0 の非平滑版です。

5. 古典的論文と書籍

• F. H. Clarke の一般化勾配に関する研究は、非平滑解析におけるクラーク一般化導関数の基礎的源泉です。

• クラーク方向導関数と一般化勾配は、Hiriart-Urruty による有限次元非平滑最適化の文献でも議論されています。

• Rockafellar の数理計画における一般化劣勾配の研究ももう一つの基礎的系統であり、引用論文では一般化方向導関数と劣勾配の基礎が概説されています。

• Hiriart-Urruty の有限次元研究では、クラーク方向導関数、クラーク一般化勾配、計算法則、非平滑最適化への応用が扱われています。

6. 最近の文献動向

• 近年の非平滑最適化研究では、クラーク型および関連する緩和版が引き続き使用されています。例えば2025年の論文では、クラーク劣微分の緩和版であるGoldstein劣微分を用いた収束速度が研究されています。

• クラーク一般化方向導関数は集合最適化の最適性条件にも現れ続けており、2025年の論文では新しいクラーク型一般化導関数を用いた近似弱最小解が研究されています。

• 最近のRockafellarの発表は、集合値解析および非平滑解析における継続的な研究を示しており、2025年の変分法に関連する研究も含まれます。

7. 効果的な学習パス

1. クラーク一般化方向導関数と劣微分から始める。
2. 核となる計算法則（和、積、連鎖、最大値、フェルマー則）を学ぶ。
3. 凸劣微分を学び、クラーク劣微分と比較する。
4. 変分解析（法錐、共微分、より広範な一般化微分フレームワーク）に進む。
5. アルゴリズムにClarkeまたはGoldstein劣微分を用いた最近の最適化論文を読む。

実践的な最初の読書リスト：

• Clarke の一般化勾配とクラーク一般化導関数に関する研究。
• Hiriart-Urruty の一般化導関数と非平滑最適化に関する研究。
• Rockafellar の「数理計画における一般化劣勾配」。
• 非平滑最適化アルゴリズムおよび最適性条件にGoldsteinまたはClarke型劣微分を用いた最近の論文。

（添付ファイル getPDF.jsp(nonsmooth).pdf はテキスト読み取り不能であったため、以下の内容は標準理論と提供文献に基づきます。）

1. 非平滑解析の基本アイデア

• 古典的微分積分は滑らかな関数に適していますが、以下のような重要な関数は非平滑（nonsmooth）です：

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距離関数
  • 最適化・制御における価値関数
  • ReLU型区分線形損失関数

• 単一の導関数を求める代わりに、非平滑解析では一般化導関数の集合を求めます。

• 局所リプシッツ関数 f: R^n → R に対して、Clarkeは一般化方向導関数と一般化勾配を非平滑最適化のツールとして導入しました。

2. クラーク一般化方向導関数

局所リプシッツ関数 f に対し、点 x における方向 v へのクラーク方向導関数は以下のように定義されます：

f°(x; v) = limsup_{y → x, t ↓ 0} [f(y + t v) - f(y)] / t

要点：

• 局所リプシッツ非平滑関数向けに設計されています。
• 標準的なクラーク理論では、v に関して正の斉次性と劣加法性を持ちます。
• 通常の方向導関数と比較して、一般的に大きいか等しくなります。
• 点 x 近傍での最悪ケースの局所方向成長を捉えます。

3. クラーク劣微分

クラーク劣微分は次のように定義されます：

∂C f(x) = { ξ ∈ R^n: f°(x; v) ≥ <ξ, v> がすべての v ∈ R^n で成立 }

局所リプシッツ関数 f に対する等価な記述として、クラーク劣微分は関数が微分可能な点での近傍勾配の極限の凸包としても表されます：

∂C f(x) = co { ∇f(x_k) の極限: x_k → x, f は x_k で微分可能 }

ここで co は凸包を意味します。

主要な性質：

• ∂C f(x) は局所リプシッツ関数に対する集合値の一般化導関数です。
• 標準的な有限次元クラーク理論では、∂C f(x) は非空、コンパクト、かつ凸です。
• f が x 近傍で連続的微分可能なら、クラーク劣微分は通常の勾配と一致します。

  ∂C f(x) = {∇f(x)}
  

• f が凸関数なら、クラーク劣微分は標準的な凸解析の劣微分と一致します。

例：

f(x) = |x|

このとき、

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0

これは、角点が可能な傾きの区間として表される標準的な基本例です。

4. クラーク劣微分の計算法則

f, g: R^n → R を x 近傍で局所リプシッツとします。クラーク計算法則は非平滑最適化理論の中核です。

和則

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x)

追加の正則性条件の下で等号が成立します。

スカラー倍則

スカラー a に対し、

∂C(a f)(x) = a ∂C f(x)

a < 0 の場合は集合が反転します。

積則

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x)

これはクラーク劣微分計算における標準的な包含型計算法則です。

商則

g(x) ≠ 0 かつ g が x 近傍で有界なら、標準的な商則は次の形式を持ちます：

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2

連鎖則

F: R^n → R^m が x で狭義微分可能で、φ: R^m → R が F(x) 近傍で局所リプシッツなら、クラーク連鎖則は次の包含関係で述べられます：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x))

φ がクラークの意味で正則（regular）なら、より強い形式が利用可能です。

最大値則

f(x) = max { f1(x), ..., fm(x) }

各 fi は局所リプシッツとします。活性インデックス集合を

I(x) = { i: fi(x) = f(x) }

と定義すると、標準的なクラーク最大値則は次の包含関係を与えます：

∂C f(x) ⊂ co ⋃_{i ∈ I(x)} ∂C fi(x)

fi が滑らかな場合、これは以下になります：

∂C f(x) ⊂ co { ∇fi(x): i ∈ I(x) }

多くの標準的最大値関数では、適切な正則性仮定の下で等号が成立します。

非平滑最適化のフェルマー条件

x が局所リプシッツ関数 f の極小点ならば、非平滑フェルマー条件は次で与えられます：

0 ∈ ∂C f(x)

これは ∇f(x)=0 の非平滑版です。

5. 古典的論文と書籍

• F. H. Clarke の一般化勾配に関する研究は、非平滑解析におけるクラーク一般化導関数の基礎的源泉です。

• クラーク方向導関数と一般化勾配は、Hiriart-Urruty による有限次元非平滑最適化の文献でも議論されています。

• Rockafellar の数理計画における一般化劣勾配の研究ももう一つの基礎的系統であり、引用論文では一般化方向導関数と劣勾配の基礎が概説されています。

• Hiriart-Urruty の有限次元研究では、クラーク方向導関数、クラーク一般化勾配、計算法則、非平滑最適化への応用が扱われています。

6. 最近の文献動向

• 近年の非平滑最適化研究では、クラーク型および関連する緩和版が引き続き使用されています。例えば2025年の論文では、クラーク劣微分の緩和版であるGoldstein劣微分を用いた収束速度が研究されています。

• クラーク一般化方向導関数は集合最適化の最適性条件にも現れ続けており、2025年の論文では新しいクラーク型一般化導関数を用いた近似弱最小解が研究されています。

• 最近のRockafellarの発表は、集合値解析および非平滑解析における継続的な研究を示しており、2025年の変分法に関連する研究も含まれます。

7. 効果的な学習パス

1. クラーク一般化方向導関数と劣微分から始める。
2. 核となる計算法則（和、積、連鎖、最大値、フェルマー則）を学ぶ。
3. 凸劣微分を学び、クラーク劣微分と比較する。
4. 変分解析（法錐、共微分、より広範な一般化微分フレームワーク）に進む。
5. アルゴリズムにClarkeまたはGoldstein劣微分を用いた最近の最適化論文を読む。

実践的な最初の読書リスト：

• Clarke の一般化勾配とクラーク一般化導関数に関する研究。
• Hiriart-Urruty の一般化導関数と非平滑最適化に関する研究。
• Rockafellar の「数理計画における一般化劣勾配」。
• 非平滑最適化アルゴリズムおよび最適性条件にGoldsteinまたはClarke型劣微分を用いた最近の論文。