多次元尺度法

同義語:多次元尺度構成法multidimensional scalingMDS

概要

多次元尺度法(multidimensional scaling)とは、$n$ 個の対象の間の距離や非類似度だけから、それをできるだけ保つ点の配置を低い次元の空間に作る方法である。古典的な方法では、距離の 2 乗の行列を行と列について二重に中心化した対称行列 $B$ を作り、大きい固有値の固有ベクトルから配置を求める。与えられた距離が Euclid 空間の距離になるのは $B$ が半正定値のときに限り、最小の次元は $B$ の階数である。低い次元の配置は $B$ への Frobenius ノルムの最良近似を与え、入力がデータの Euclid 距離なら主成分分析の得点と一致する。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: Gram行列, 固有値, 主成分分析

多次元尺度法(multidimensional scaling, MDS)は、$n$ 個の対象の間の距離や非類似度だけを入力に、それをできるだけ保つ点の配置を低い次元の空間に作る方法である。座標が与えられないデータ(都市間の距離、心理実験の似ていなさ、遺伝的な距離など)でも図に描ける。中心となる古典的 MDS は、距離の 2 乗を二重に中心化した行列の固有値分解で配置を求める。与えられた距離が Euclid 空間の距離になるかはこの行列の半正定値性で判定でき、距離がデータの Euclid 距離のときは主成分分析と一致する。ここでは判定定理と最適性を証明し、距離が Euclid でないときに何が起きるかを示す。

定義と使える条件

非類似度行列と二重中心化

$n$ 次実対称行列 $\Delta=(\delta_{ij})$ で $\delta_{ij}\ge0$、$\delta_{ii}=0$ のものを 非類似度行列 という。三角不等式は仮定しない。$A:=(\delta_{ij}^2)$(成分ごとの 2 乗)、$J:=I-\frac1n\mathbf{1}\mathbf{1}^{\top}$ とし、
$$B:=-\frac12JAJ$$
を 二重中心化行列 という。$B$ は対称で $B\mathbf{1}=0$ である。固有値を $\lambda_1\ge\dots\ge\lambda_n$、対応する正規直交な固有ベクトルを $u_1,\dots,u_n$ と書く。$0$ が固有値なので $\lambda_n\le0$ である。

古典的 MDS

目標の次元 $k$ に対し、$j$ 列目が $\sqrt{\lambda_j^+}\,u_j$($\lambda^+:=\max(\lambda,0)$)である $n\times k$ 行列 $Z$ を作り、その行 $z_1,\dots,z_n\in\mathbb{R}^k$ を配置とする方法を 古典的 MDS(Torgerson の尺度構成、主座標分析)という。

stress と非計量 MDS

配置 $z_1,\dots,z_n$ に対し
$$\mathrm{Stress}(z_1,\dots,z_n):=\sum_{i\ne j}\bigl(\delta_{ij}-\|z_i-z_j\|\bigr)^2$$
を最小にする方法を 最小 2 乗尺度構成(Kruskal–Shephard の方法)というHTF09。閉じた解はなく、勾配法などの反復で局所解を求める。$\delta_{ij}$ の順序だけを信用し、単調増加関数 $\theta$ も同時に動かして $\sum_{i\ne j}(\|z_i-z_j\|-\theta(\delta_{ij}))^2/\sum_{i\ne j}\|z_i-z_j\|^2$ を最小にする方法を 非計量 MDS というHTF09Kru64。

古典的 MDS が近づけるのは $\delta_{ij}$ そのものではなく内積の行列 $B$ である。stress の最小解とは一般に異なる。

公式の表

量式根拠条件
内積の復元$B_{ij}=\langle x_i-\bar x,x_j-\bar x\rangle$thm-mds-schoenberg$\delta_{ij}=\Vert x_i-x_j\Vert$
距離の復元$\delta_{ij}^2=B_{ii}+B_{jj}-2B_{ij}$thm-mds-schoenberg$\delta_{ii}=0$
Euclid 判定$B\succeq0$thm-mds-schoenberg$\Delta$ が非類似度行列
最小の次元$\mathrm{rank}\,B$thm-mds-schoenberg$B\succeq0$
最適な誤差$\sum_{j\le k}(\lambda_j^-)^2+\sum_{j>k}\lambda_j^2$thm-mds-optimal$\lambda^-:=\max(-\lambda,0)$
主成分との関係$Z=\tilde XV_k$、$\lambda_j=\sigma_j^2$prop-mds-pca$\delta_{ij}$ がデータの距離
距離の 2 乗の失い分$\sum_{i,j}(\delta_{ij}^2-\Vert z_i-z_j\Vert^2)=2n\sum_{j>k}\lambda_j$prop-mds-pca同上
定数の足し方$\delta_{ij}^2+2c$($i\ne j$)で $B+cJ$prop-mds-additive$c\ge-\lambda_n$ で $\succeq0$

主定理と証明

Euclid 空間に埋め込める条件

非類似度行列 $\Delta$ について次は同値である。

  1. ある $r$ と $x_1,\dots,x_n\in\mathbb{R}^r$ があり、すべての $i,j$ で $\|x_i-x_j\|=\delta_{ij}$ となる。
  2. $B$ は半正定値である。
  3. $\sum_iu_i=0$ となるすべての $u\in\mathbb{R}^n$ で $u^{\top}Au\le0$ である。
  4. $n-1$ 次の行列 $G:=\bigl(\frac12(\delta_{in}^2+\delta_{jn}^2-\delta_{ij}^2)\bigr)_{i,j< n}$ は半正定値である。
    このとき $\bar x$ を重心として $B_{ij}=\langle x_i-\bar x,x_j-\bar x\rangle$ であり、取れる $r$ の最小値は $\mathrm{rank}\,B=\mathrm{rank}\,G$ である。配置は $\mathbb{R}^r$ の等長変換を除いて一意である。
内積と距離の 2 乗を行き来する

(1)⇒(2) 中心化した点 $\tilde x_i:=x_i-\bar x$ を行とする行列を $\tilde X$、$a_i:=\|\tilde x_i\|^2$ とする。$\delta_{ij}^2=a_i+a_j-2\langle\tilde x_i,\tilde x_j\rangle$ より
$$A=a\mathbf{1}^{\top}+\mathbf{1}a^{\top}-2\tilde X\tilde X^{\top}$$
である。$J\mathbf{1}=0$、$J\tilde X=\tilde X$ だから $JAJ=-2\tilde X\tilde X^{\top}$、すなわち $B=\tilde X\tilde X^{\top}\succeq0$ である。これは内積の式でもある。
(2)⇒(1) $r:=\mathrm{rank}\,B$ として $B=ZZ^{\top}$($Z$ は $n\times r$)と分解し、$z_i$ を $Z$ の第 $i$ 行とする。$J(e_i-e_j)=e_i-e_j$ だから、$\delta_{ii}=0$ を使って
$$\|z_i-z_j\|^2=(e_i-e_j)^{\top}B(e_i-e_j)=-\frac12(e_i-e_j)^{\top}A(e_i-e_j)=\delta_{ij}^2$$
となる。
(2)⇔(3) $v^{\top}Bv=-\frac12(Jv)^{\top}A(Jv)$ で、$Jv$ は $\mathbf{1}$ に直交するベクトル全体を動く。
(3)⇔(4) $u\in\mathbb{R}^{n-1}$ に $\tilde u:=(u,-\sum_iu_i)$ を対応させると、$\tilde u$ は和が $0$ のベクトル全体を動く。$\delta_{nn}=0$ を使って展開すると $\tilde u^{\top}A\tilde u=-2u^{\top}Gu$ である。
次元と一意性。 (1) の配置があれば $B=\tilde X\tilde X^{\top}$ の階数は $\tilde x_i$ の張る空間の次元に等しく、$G$ は $x_i-x_n$ の Gram 行列なのでその階数も同じ次元(点のアフィン包の次元)である。$\mathbb{R}^r$ に入るなら $r$ はこの次元以上で、(2)⇒(1) の $Z$ で等号が達成される。2 つの配置は $\Delta$ が同じなら $B$ も同じなので、中心化した点の Gram 行列が等しい。Gram行列 の定理「Gram 行列が等しい組は等長に移り合う」と注意「空間全体の等長変換への延長」から合同である。$\square$

この同値は SchoenbergSch35 と Young–HouseholderYH38 にさかのぼる。条件 (3) を「$A$ が条件付き負定値である」という。この特徴づけは最適化の側からも扱われるBV04。
次の定理は、$B$ が半正定値でなくても古典的 MDS が何を最適化しているかを述べる。

古典的 MDS の最適性

$B$ を $B\mathbf{1}=0$ となる実対称行列とする。$\mathrm{rank}\,X\le k$ の半正定値行列 $X$ すべてについて
$$\|B-X\|_F^2\ge\sum_{j\le k}(\lambda_j^-)^2+\sum_{j>k}\lambda_j^2$$
が成り立ち($\lambda^-:=\max(-\lambda,0)$)、$X=\sum_{j\le k}\lambda_j^+u_ju_j^{\top}$ で等号となる。この $X$ は古典的 MDS の $Z$ により $X=ZZ^{\top}$ と書け、$Z$ の行の重心は原点である。

跡の不等式と Abel 変形

$X$ の固有値を $x_1\ge\dots\ge x_k\ge x_{k+1}:=0$、対応する正規直交な固有ベクトルの最初の $m$ 本の張る空間への射影を $P_m$ とすると、
$$X=\sum_{m=1}^k(x_m-x_{m+1})P_m$$
である。$c$ を大きく取って $B+cI$ を半正定値にし、Eckart–Youngの定理 の補題「射影の跡の上界」を当てると $\mathrm{tr}(BP_m)\le\sum_{j\le m}\lambda_j$ を得る。$x_m-x_{m+1}\ge0$ なので
$$\mathrm{tr}(BX)\le\sum_{m=1}^k(x_m-x_{m+1})\sum_{j\le m}\lambda_j=\sum_{j\le k}x_j\lambda_j.$$
よって
$$\|B-X\|_F^2=\sum_j\lambda_j^2-2\,\mathrm{tr}(BX)+\sum_{j\le k}x_j^2\ge\sum_{j>k}\lambda_j^2+\sum_{j\le k}(\lambda_j-x_j)^2$$
である。$x_j\ge0$ より $(\lambda_j-x_j)^2\ge(\lambda_j^-)^2$ となり下界を得る($\lambda_j\ge0$ なら右辺は $0$、$\lambda_j< 0$ なら $|\lambda_j-x_j|\ge|\lambda_j|$)。$X=\sum_{j\le k}\lambda_j^+u_ju_j^{\top}$ を直接代入すれば等号である。
$\lambda_j\ne0$ のとき $B\mathbf{1}=0$ と対称性から $u_j\perp\mathbf{1}$ である。$\lambda_j\le0$ の列は $0$ なので、$Z$ の各列の成分の和は $0$ である。$\square$

負の固有値の分は、半正定値の $X$ ではどうやっても消せない残差として残る。$k$ 次元の配置を作るとき固有値の小さい方を捨てるのは、$B$ に近い意味で最良である。

主成分分析との一致

$\delta_{ij}=\|x_i-x_j\|$($x_i\in\mathbb{R}^p$)とし、中心化したデータの行列の特異値分解を $\tilde X=\sum_j\sigma_jp_jv_j^{\top}$($\sigma_1\ge\sigma_2\ge\cdots$)、$V_k:=(v_1,\dots,v_k)$ とする。$\lambda_k>\lambda_{k+1}$ のとき次が成り立つ。

  1. $\lambda_j=\sigma_j^2$ であり、古典的 MDS の $Z$ は列の符号と等しい固有値の中の回転を除いて $\tilde XV_k$ に等しい。これは主成分得点である。
  2. $\|z_i-z_j\|\le\delta_{ij}$ である。
  3. $\sum_{i,j}\bigl(\delta_{ij}^2-\|z_i-z_j\|^2\bigr)=2n\sum_{j>k}\lambda_j$ である。
特異値分解で書き直す

$B=\tilde X\tilde X^{\top}=\sum_j\sigma_j^2p_jp_j^{\top}$ から $\lambda_j=\sigma_j^2$、$u_j=\pm p_j$(縮退があれば回転)で、$\tilde Xv_j=\sigma_jp_j$ より (1) を得る。$z_i-z_j=V_k^{\top}(\tilde x_i-\tilde x_j)$ で $V_k$ の列は正規直交だから (2) を得る。重心が原点の点 $w_i$ について $\sum_{i,j}\|w_i-w_j\|^2=2n\sum_i\|w_i\|^2$ であり、$\sum_i\|\tilde x_i\|^2=\mathrm{tr}\,B=\sum_j\lambda_j$、$\sum_i\|z_i\|^2=\sum_{j\le k}\lambda_j$ なので (3) を得る。$\square$

$\tilde X^{\top}\tilde X/n$ の固有値を $s_j$ とすると $\lambda_j=ns_j$ である。主成分分析 の命題「特異値分解からの主成分」と同じ計算で、MDS は $n\times n$ の内積の行列を、主成分分析は $p\times p$ の共分散行列を分解する。$n$ が小さく $p$ が大きいとき前者が速い。

定数を足して Euclid にする

$c\ge0$ に対し、$i\ne j$ の $\delta_{ij}^2$ を $\delta_{ij}^2+2c$ に置き換えた行列の二重中心化は $B+cJ$ である。これが半正定値となる最小の $c$ は $-\lambda_n$ である。

J の掛け算だけで分かる

$A_c=A+2c(\mathbf{1}\mathbf{1}^{\top}-I)$ で $J\mathbf{1}=0$、$J^2=J$ だから $-\frac12JA_cJ=B+cJ$ である。$B+cJ$ は $\mathbf{1}$ を核に持ち、$\mathbf{1}^{\perp}$ の上では $B+cI$ に等しい。$\lambda_n< 0$ なら $u_n\in\mathbf{1}^{\perp}$ で $\lambda_n$ は $\mathbf{1}^{\perp}$ の上の最小の固有値であり、$\lambda_n=0$ なら $B$ は半正定値で $c=0$ で足りる。いずれも最小の $c$ は $-\lambda_n$ である。$\square$

計算の手順

入力は非類似度行列 $\Delta$ と次元 $k$ である。

  1. 各成分を 2 乗して $A$ を作る。$\Delta$ そのものを中心化しない。
  2. $B=-\frac12JAJ$ を計算する。成分で書けば $B_{ij}=-\frac12\bigl(A_{ij}-\bar A_{i\cdot}-\bar A_{\cdot j}+\bar A_{\cdot\cdot}\bigr)$($\bar A_{i\cdot}$ は第 $i$ 行の平均、$\bar A_{\cdot j}$ は第 $j$ 列の平均、$\bar A_{\cdot\cdot}$ は全体の平均)である。
  3. $B$ の固有値を大きい順に $\lambda_1\ge\dots\ge\lambda_n$ と並べ、固有ベクトルを求める。
  4. 負の固有値の大きさを見て、距離がどれだけ Euclid から外れるかを判断する。$B$ の階数と $\lambda_n< 0$ の有無が thm-mds-schoenberg の判定である。
  5. $Z$ の第 $j$ 列を $\sqrt{\lambda_j^+}\,u_j$ として、行を配置とする。回転と鏡映の自由度があり、軸の向きに意味はない。
  6. 当てはまりの目安として $\sum_{j\le k}\lambda_j^+/\sum_j|\lambda_j|$ を見る。絶対値を分母にするのは、負の固有値の分も説明できない量として数えるためである。
    図: 左は 3 次元のわずかな揺らぎを持つ 10 点について、距離だけから k = 2 の古典的 MDS で復元した配置(赤)を回転を合わせて真の配置(青の丸)に重ねたもの。右は閉路 C4 と星 K(1,3) のグラフ距離の B の固有値で、どちらも負の固有値を持つので Euclid 距離ではない 図: 左は 3 次元のわずかな揺らぎを持つ 10 点について、距離だけから k = 2 の古典的 MDS で復元した配置(赤)を回転を合わせて真の配置(青の丸)に重ねたもの。右は閉路 C4 と星 K(1,3) のグラフ距離の B の固有値で、どちらも負の固有値を持つので Euclid 距離ではない

例題

単位正方形(Euclid の場合)

頂点を巡回順に並べ、隣の距離 $1$、対角の距離 $\sqrt2$ とする。

  • 使う公式:$B$ の定義と thm-mds-schoenberg。
  • 答え:固有値は $1,1,0,0$ で階数 $2$ なので、平面に過不足なく入る。
  • 代表点:$B_{11}=\frac12$、$B_{12}=0$、$B_{13}=-\frac12$ で、これは重心を原点とした頂点 $(\pm\frac12,\pm\frac12)$ の内積と一致する。
閉路のグラフ距離(Euclid でない場合)

4 頂点の閉路 $C_4$ のグラフ距離(隣 $1$、対 $2$)を入力とする。これは距離空間の公理を満たす。

  • 使う公式:thm-mds-optimal、prop-mds-additive。
  • 答え:固有値は $2,2,0,-1$ で、Euclid 距離ではない。$k=2$ の配置は $(1,0),(0,1),(-1,0),(0,-1)$(回転を除く)で、誤差 $\|B-ZZ^{\top}\|_F^2=1$ である。
  • 代表点:配置の隣の距離は $\sqrt2>1$ で、データより長くなる。対の距離は $2$ で保たれる。$c=1$ を足すと固有値 $3,3,0,0$ となり、隣 $\sqrt3$、対 $\sqrt6$ の正方形になる。
    stress との比較

    同じ形で半径を $r$ とすると $\mathrm{Stress}(r)=8(1-\sqrt2r)^2+4(2-2r)^2$ で、最小は $r^{*}=(2+\sqrt2)/4\approx0.8536$、値は $\approx0.6863$ である。古典的 MDS の $r=1$ では $\approx1.3726$ なので、古典的 MDS は stress の最小解ではない。

直線上の点と距離の平方根

$\delta_{ij}=\sqrt{|i-j|}$($i,j=1,\dots,4$)とする。

  • 使う公式:thm-mds-schoenberg。
  • 答え:固有値は $1+\frac{\sqrt2}2,\ \frac12,\ 1-\frac{\sqrt2}2,\ 0$ で半正定値、階数は $3$ である。この距離は Euclid だが、平面には入らず 3 次元を要する。
  • 代表点:$\lambda_1\approx1.7071$、$\lambda_2=0.5$、$\lambda_3\approx0.2929$ で、$k=2$ の当てはまりの目安は $2.2071/2.5\approx0.8828$ である。
    Euclid になる理由

    $\delta_{ij}^2=|i-j|$ は関数 $\mathbf{1}_{[0,i]}$ と $\mathbf{1}_{[0,j]}$ の $L^2$ 距離の 2 乗に等しい。隣どうしの差 $\mathbf{1}_{(i,i+1]}$ は互いに直交するので、$n$ 点はちょうど $n-1$ 次元を張る。

使える条件と反例

外す条件反例成り立たなくなること
$B\succeq0$星 $K_{1,3}$ のグラフ距離(三角不等式は成り立つ)Euclid 空間に埋め込めること
$B\succeq0$$C_4$ のグラフ距離配置の距離が縮むこと $\Vert z_i-z_j\Vert\le\delta_{ij}$
中心化の前に 2 乗する直線上の $0,1,2$距離の復元
$J$ で中心化する直線上の $0,1,2$$B$ の半正定値性
$\delta_{ii}=0$対角が $1$、非対角が $2$ の $\Delta$($n=2$)$\delta_{ij}^2=B_{ii}+B_{jj}-2B_{ij}$
$\lambda_k>\lambda_{k+1}$等距離の $n$ 点($n\ge4$)配置の一意性
反例の確かめ

星のグラフ距離。 中心 $0$ と葉 $1,2,3$ で、中心と葉の距離 $1$、葉どうしの距離 $2$ とする。三角不等式は成り立つ。$u=(3,-1,-1,-1)$ に対し $u^{\top}Au=-18+24=6>0$ で、(3) が満たされない。$B$ の固有値は $2,2,0,-\frac14$ である。幾何的には、葉の 2 点の距離が $2$ なら中心はその中点でなければならず、3 組すべてでこれを満たす 3 点は置けない。
閉路の距離が伸びる。 ex-mds-cycle の隣の距離は $\sqrt2>1$ で、prop-mds-pca の (2) は Euclid でない入力では成り立たない。
$\delta$ のまま中心化する。 点 $0,1,2$ の距離で $-\frac12J\Delta J$ を作ると固有値は $1,\frac13,0$ となり、得られる配置の距離は $1,1,\sqrt2$ である(データの $2$ が $\sqrt2$ に縮む)。正しい $B$ の固有値は $2,0,0$ で、配置 $-1,0,1$ を返す。
中心化しない。 同じ点で $-\frac12A$ の固有値は $2,\ 0.2247,\ -2.2247$(数値計算による値)で不定である。データは Euclid なのに判定が負を返す。
対角が $0$ でない。 $A=\begin{pmatrix}1&4\\4&1\end{pmatrix}$ では $B=\frac34\begin{pmatrix}1&-1\\-1&1\end{pmatrix}$ で固有値は $\frac32,0$、$B_{11}+B_{22}-2B_{12}=3$ となり、$\delta_{12}^2=4$ に戻らない。
等距離の点。 $\delta_{ij}=1$($i\ne j$)なら $B=\frac12J$ で、$\frac12$ が $n-1$ 重の固有値である。$k=2$ の誤差は $\frac{n-3}{4}$ で、$Z$ は固有空間の中の 2 次元部分空間の選び方によって本質的に異なる(等長で移り合わない)配置になる。

よくある誤り

誤り正しくは
距離の公理を満たせば $B\succeq0$ だと思う星や閉路のグラフ距離は距離空間だが $B$ は不定である
$\Delta$ を直接中心化する2 乗してから中心化する
負の固有値を黙って $0$ にしてよいと思う$0$ にするのは最適だが、残差は thm-mds-optimal の第 1 項として残る。大きければ入力が Euclid でない
低次元の距離は常にデータより短いと思う$B\succeq0$ のときだけである。ex-mds-cycle で伸びる
古典的 MDS を stress の最小解と考える近づけるのは $B$ で、stress の解とは一般に異なる
軸に意味があると読む回転と鏡映を除いてしか定まらない。主成分分析と違い、元の変数の情報は入力にない

補足

カーネルとの関係。 正定値カーネルの行列 $K$ から $\delta_{ij}^2:=K_{ii}+K_{jj}-2K_{ij}$ を作ると $B=JKJ$ で、古典的 MDS はカーネル主成分分析に一致する(カーネル法)。Schoenberg は条件付き負定値な関数と Hilbert 空間への埋め込みの対応を一般に調べたSch38。
次元削減への応用。 Isomap は近傍グラフの最短路距離を $\Delta$ として古典的 MDS を当てる。最短路距離は、曲がった曲線や曲面に沿う距離を近似するHTF09。局所 MDS は、近傍の対の距離を保つ項に、近傍でない対を小さい重みで遠ざける項を加えた stress を最小にする方法である。放物線上のデータでは、Euclid 距離の古典的 MDS は曲線の両端の点を近いと判断して順序を保てないが、局所 MDS は順序をおおむね保つHTF09。
距離をすべて保つ方法との比較。 古典的 MDS が最適なのは $B$ の Frobenius ノルムで測った和の意味で、個々の対の距離は保証しない。全部の対の距離を $1\pm\varepsilon$ 倍に収める低次元への写像は Johnson–Lindenstraussの補題 が与える。
歴史。 尺度構成の方法としての定式化は TorgersonTor52、主座標分析としての定式化は GowerGow66 による。

関連項目

参考文献

[2]
I. J. Schoenberg, Remarks to Maurice Fréchet's article "Sur la définition axiomatique d'une classe d'espaces distanciés vectoriellement applicable sur l'espace de Hilbert", Annals of Mathematics, 1935
[3]
Gale Young, A. S. Householder, Discussion of a set of points in terms of their mutual distances, Psychometrika, 1938, pp. 19–22
[4]
I. J. Schoenberg, Metric spaces and positive definite functions, Transactions of the American Mathematical Society, 1938, pp. 522–536
[5]
Warren S. Torgerson, Multidimensional scaling: I. Theory and method, Psychometrika, 1952, pp. 401–419
[6]
J. B. Kruskal, Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis, Psychometrika, 1964, pp. 1–27
[7]
J. C. Gower, Some distance properties of latent root and vector methods used in multivariate analysis, Biometrika, 1966, pp. 325–338
[8]

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する