GNN 入門から最前線まで

本資料は、グラフ構造データを扱う深層学習モデルであるGNNについて、ノードとエッジによる関係性データの表現、メッセージパッシング、GCNの基本構造と分類タスクでの有効性、GraphSAGEやGATやMPNNによるモデル発展、Graph TransformerおよびGNNとLLMの融合といった近年の研究動向、さらに創薬、推薦システム、交通予測、金融不正検知などの産業応用までを、基礎から実務での活用イメージまで段階的に整理した入門資料です。

Transcript

1. Boost Consulting GNN 入門から最前線まで 山本睦 2026年5月19日
2. 2 2 © 2026 Boost Consulting, Inc. 概要 連載記事「GNN入門と最前線」全5回 回 概要 トピック 第1回 グラフ基礎とGCN グラフとは / メッセージパッシング / GCN の仕組み 第2回 アーキテクチャ進化 GraphSAGE / GAT / MPNN 第3回 GCN 実装 PyTorch / PyG による GCN 実装 第4回 GNNの最前線 Graph Transformer / GNN × LLM 融合 第5回 産業応用 創薬 / 推薦 / 交通 / 金融 / 知識グラフ
3. 3 3 © 2026 Boost Consulting, Inc. GNN基礎 GNN（Graph Neural Network）とは ノード（点）とエッジ（線）で表される関係性データを扱う深層学習モデル GNN グラフ（関係性データ） SNS、分子、引用ネットワーク… CNN 画像（格子データ） Transformer テキスト（系列データ） GNN への入力 ノード特徴量 各ノードが持つ属性 例：論文の単語ベクトル、ユーザーのプロフィール グラフ構造 ノード間の接続関係（隣接行列） 例：誰が誰をフォローしているか GNN で解きたいタスク ノード分類 各ノードのカテゴリを予測 例：論文の研究分野を分類 リンク予測 未知のエッジを予測 例：友達になりそうなユーザーを推薦 グラフ分類 グラフ全体の性質を判定 例：分子の毒性の有無を予測 ー DeepMind による AlphaFold2 のタンパク質構造予測(2024,ノーベル化学賞)にも活用 グラフ構造を活かしてノード特徴量をタスクに適した表現へ変換する写像を学習
4. 4 4 © 2026 Boost Consulting, Inc. GNN基礎 グラフ＝点（ノード）と線（エッジ）で関係を表現するデータ構造 SNS ユーザー間のフォロー関係 ノード: ユーザー エッジ: フォロー 分子 原子間の化学結合 ノード: 原子 エッジ: 結合 引用ネットワーク 論文間の引用関係 ノード: 論文 エッジ: 引用 現実世界におけるグラフ構造データの例
5. 5 5 © 2026 Boost Consulting, Inc. GNN基礎 CNN や Transformer では扱えないグラフ特有の3つの性質 CNN Transformer GNN データ 画像（格子） 系列（1次元） グラフ サイズ 固定 可変 可変 順序 ピクセル位置 時系列 なし 近傍 3×3 固定 直前/直後 ノードごとに異なる イメージ グラフ特有の3性質——だから専用モデルが必要 ① 順序不定 ノードに「1番目, 2番目」がなく 並び順に依存できない ② 可変近傍 隣人が2人のノードと 10万人のノードが混在 ③ 方向なし 画像のような上下左右がなく 空間フィルタが定義できない
6. 6 6 © 2026 Boost Consulting, Inc. GNN基礎 メッセージパッシング——GNNの核心 隣人から情報を集めて自分を更新——繰り返すほど遠くまで届く 各ノードは、隣のノードから情報を集めて自分を更新する ＝ メッセージパッシング（Message Passing） これを K 回繰り返すと… 1回目（1ホップ） 直接の隣人から情報を収集 2回目（2ホップ） 隣人の隣人まで情報が伝播 K回目（Kホップ） グラフ全体に情報が行き渡る 典型的な GNN は 2～3 層が主流——深すぎると全ノードの表現が均一化する問題がある（後述）
7. 7 7 © 2026 Boost Consulting, Inc. GCNの仕組み GCN — メッセージパッシングを数式で実現する GCN（Graph Convolutional Network）: Kipf & Welling (ICLR 2017) が提案した、隣接ノードの特徴量 を集約・更新するグラフ畳み込みの基本モデル GCN の伝播式 H(l+1)= σ( D̃-1/2 Ã D̃-1/2 · H(l) · W(l) ) グラフ構造で隣人の特徴量を集約し、重み行列で変換して次の層へ渡す——これを各層で繰り返す 記号 意味 学習で変わるか H(l) l 層目のノード特徴量行列。各行が1ノードの特徴ベクトル 層ごとに更新される W(l) l 層目の重み行列。特徴量を変換するパラメータ 学習で更新される（唯一の学習対象） Ã = A + I 自己ループ付き隣接行列。グラフ構造を表す 固定 D̃⁻½ Ã D̃⁻½ 正規化された集約行列（まとめて Â と書く） 固定 σ 活性化関数（ReLU など） 固定
8. 8 8 © 2026 Boost Consulting, Inc. GCNの仕組み 例題︓Cora 論文引用ネットワークでノード分類に挑む 2,708本の機械学習論文を、引用関係とテキスト情報を使って7分野に自動分類——ラベルはわずか5% 入力①: 論文テキスト（X） 各論文の本文をBag-of-Wordsで数値化 → 1,433次元のベクトル（単語の有無） → 2,708本 × 1,433次元の行列 X + 入力②: 引用ネットワーク（A） 論文間の引用関係を隣接行列 A で表現 → 5,429本のエッジ（引用リンク） → 2,708 × 2,708 の隣接行列 A → GCN 2層 → 出力: 7分野に分類（Y） 各論文に対して7クラスの確率を出力 → 最も高い確率の分野に分類 → NL, GA, NN, PM, RL, RL, Theory 入力データの構成 ノード（論文） 2,708本のML論文 エッジ（引用） 5,429本の引用リンク 特徴量（テキスト） 1,433次元 BoW ベクトル ラベル（正解） 7分野 × 140件のみ付与 制約: ラベル付きは 140件 / 2,708件（わずか5%）——残り95%はラベルなし この少数のラベルと引用ネットワークの構造だけで、全論文を正しく分類できるか？
9. 9 9 © 2026 Boost Consulting, Inc. GCNの仕組み 2層GCN——漏斗のように次元を絞り、7クラスの確率へ変換 学習されるのは各層の重み行列 W のみ（合計約 23,000 パラメータ） X 1,433次元 Conv1 + ReLU + Dropout H⁽¹⁾ 16次元 Conv2 + Softmax Z 7クラス確率 1層目 H⁽¹⁾ = ReLU( Â · X · W⁽⁰⁾ ) 1,433次元 → 16次元 2層目 Z = Softmax( Â · H⁽¹⁾ · W⁽¹⁾ ) 16次元 → 7クラス確率 各 Conv 層の中で行われる3ステップ ① 線形変換 各ノードの特徴量に重み行列 W を掛ける 1層目: W ∈ R¹⁴³³ˣ¹⁶ 2層目: W ∈ R¹⁶ˣ⁷ ② 近傍集約 自分自身と引用先の論文の特徴量を次数で正 規化した加重平均で混ぜ合わせる = メッセージパッシングそのもの ③ 活性化 + Dropout ReLU で非線形性を入れ、Dropout で過学習 を抑える 最終層は Softmax で確率化
10. 10 10 © 2026 Boost Consulting, Inc. GCNの仕組み 5%のラベルで81%の精度——グラフ構造が学習を大きく助ける テキストだけの手法に比べ +22pt——引用関係の情報がこれほど効く 手法比較 59% MLP テキストのみ（グラフ構造なし） 67% DeepWalk グラフ構造のみ（テキストなし） 81% GCN テキスト + グラフ構造（両方を活用） なぜグラフ構造がこれほど効くのか 損失計算はラベル付き140ノードのみで行う しかしメッセージパッシングはグラフ全体で動く → ラベルなし2,568ノードも表現学習に貢献 「同じ分野の論文は互いに引用し合う」という同類性がGCNの正則化として機能 GCN の本質的な強み: 少ない教師信号でも、関係性の情報（グラフ構造）があれば高い汎化性能が得られる
11. 11 11 © 2026 Boost Consulting, Inc. 進化と最前線 GCN は強力な出発点だが、3つの限界が次の進化を生んだ これらの課題を解決する形で GraphSAGE・GAT・MPNN が登場し、GNN の表現力と汎用性を大きく広げた 課題① 新規ノード非対応 学習時にグラフ全体が必要 H(l+1) = σ( Â · H(l) · W(l) ) Â は全ノードの隣接行列 新ノード追加で Â が変わり再計算が必要 Transductive 学習の限界 SNS等で日々増えるノードに対応できない ↓ GraphSAGE が解決 課題② 隣人を平等扱い 全隣人に同じ重みで集約 重み = 1/√(dv · du ) 重要な引用も無関係な引用も同じ扱い 重要度を区別できない ノイズの多い隣人に引きずられ精度が下がる ↓ GAT が解決 課題③ 統一的視点の欠如 3つのモデルが別々に登場 GCN / GraphSAGE / GAT それぞれ独自の数式で定義 共通言語がない 手法間の比較や組合せが体系的にできない ↓ MPNN が統一
12. 12 12 © 2026 Boost Consulting, Inc. 進化と最前線 GraphSAGE — 近傍サンプリングで未知ノードに対応 Hamilton et al. (NeurIPS 2017): ノード固有の埋め込みではなく「近傍から作る関数」を学ぶ帰納的学習 GCN との違い——グラフ全体 vs 局所近傍 GCN: グラフ全体の Â に依存 H(l+1) = σ( Â · H(l) · W(l) ) Â はグラフ全体の隣接行列 → 新ノード追加で再計算が必要 GraphSAGE: 局所的な近傍のみに依存 hv (k) = σ( W(k) · [ hv (k-1) ǁ AGG(N(v)) ] ) Â が登場しない — 近傍 N(v) さえわかれば即座に対応 「埋め込みを覚える」vs「関数を学ぶ」 DeepWalk 方式（覚える） 各ノードに専用ベクトルを割り当て数値自体を学習 辞書の丸暗記 → 未知ノードは扱えない GraphSAGE 方式（関数を学ぶ） 「近傍から埋め込みを計算するルール(W)」を学習 パターンの見つけ方を学ぶ → 新ノードにも即適用 新規ノードへの即座の対応 ノード特徴量の活用 パラメータ効率の良さ 別グラフへの汎化可能性 → 大規模産業応用を実現 PinSage Pinterest — 30億ノード規模の推薦 GraphSAGEの利点
13. 13 13 © 2026 Boost Consulting, Inc. 進化と最前線 GAT — Attention で隣人の重要度を学習 Veličković et al. (ICLR 2018): Transformer で成功した Attention 機構をグラフに適用——「どの隣人にどれ だけ注目するか」をデータから学習 GCN との違い——固定重み vs 学習される重み GCN: 次数による固定重み hv = σ( Σ 1/√(dv ·du ) · hu · W ) 重みはグラフ構造（次数）で固定 → どの隣人も同じ扱い GAT: Attention による学習重み hv = σ( Σ αvu · hu · W ) 重み αvu をデータから学習 → 重要な隣人に集中できる ノイズの多い隣人の影響を抑制 重要な関係に集中して精度向上 Multi-head で多角的に注目 → タンパク質間相互作用予測（PPI） F1: 0.61 → 0.97 Attention により大幅な精度改善 GAT の利点
14. 14 14 © 2026 Boost Consulting, Inc. 進化と最前線 MPNN — GNN を3つの関数で統一記述する枠組み Gilmer et al. (ICML 2017): GCN・GraphSAGE・GAT はすべて同じ3ステップで記述できる MPNN の統一フレームワーク ① mvu = M( hv , hu , evu ) ② mv = Σ{u∈N(v)} mvu ③ hv' = U( hv , mv ) 隣人が送る情報を作る 受け取った情報をまとめる 自身の表現を更新する M・Σ・U の「差し替え」で各モデルになる モデル ① M（メッセージ） ② Σ（集約） ③ U（更新） GCN m_vu = h_u 特徴量をそのまま送信 Σ 1/√(d_v·d_u)·m_vu 次数で正規化した加重平均 σ( W · m_v ) 線形変換 + ReLU GraphSAGE m_vu = h_u サンプリングした近傍から MEAN / LSTM / MaxPool 集約関数を選択可能 σ( W · [h_v ‖ m_v] ) 自身と集約結果を結合 GAT m_vu = α_vu · h_u Attention 重みを乗せて送信 Σ m_vu 重み付き和 σ( W · m_v ) 線形変換 + ELU M・Σ・U を差し替えるだけで新しい GNN を設計できる → PyTorch Geometric 等の GNN ライブラリの設計思想の土台
15. 15 15 © 2026 Boost Consulting, Inc. GNNの最前線へ メッセージパッシングを深くすると2つの壁にぶつかる GCN・GAT 等の MPNN 系モデルに共通する本質的な限界——層を深くしても性能が上がらない 過平滑化（Over-smoothing） 層を重ねるほど全ノードの表現が同じになり、区別がつかなくなる K層 → 各ノードが K-hop 先まで集約 → グラフ全体の情報が混ざり、ノード間 の差異が消失 実用上 GNN は 2〜3 層が限界（深層学習なのに「深く」できない矛盾） 過絞り込み（Over-squashing） 遠いノードの情報が固定サイズのベクトルに圧縮されすぎて届かない 指数的に増える近傍情報を 1本のベクトルに押し込む → 情報のボトルネック 遠距離の依存関係（分子の両端など）を捉えられない ↓ この2つの壁を突破する最前線 ↓ Graph Transformer 全ノード間 Attention で近傍の制約を撤廃（2021～） GNN × LLM 融合 LLM のテキスト理解力でグラフ情報を補完（2023～）
16. 16 16 © 2026 Boost Consulting, Inc. GNNの最前線へ Graph Transformer — Transformer の Self-Attention をグラフに適用 Ying et al. (NeurIPS 2021, Graphormer): 近傍だけでなく全ノード間で直接 Attention を計算し、MPNN の 壁を突破 核心: Transformer の Self-Attention をグラフに持ち込む Transformer（NLP） 各トークンが全トークンとの関連度を計算 → 文中の遠い単語同士の関係も直接捉える → Graph Transformer 各ノードが全ノードとの関連度を計算 → グラフ上の遠いノードの情報も1層で直接取得 MPNN との数式比較 MPNN: 隣接ノードのみ集約 hv' = U( hv , Σ u∈N(v) M(hv , hu ) ) 遠いノードには K 層重ねる必要あり Graph Transformer: 全ノード間 Attention hv' = Σu∈V αvu · (hu · WV ) 1層で全ノードに直接アクセス 近傍の制約を撤廃 → 過平滑化（全ノード均質化）と過絞り込み（情報ボトルネック）を根本回避
17. 17 17 © 2026 Boost Consulting, Inc. GNNの最前線へ Graphormer — グラフ構造を Attention に直接組み込む グラフにはトークンのような順序がない—Graphormer は3種類の構造エンコーディングでグラフの「位置」を表現 Graphormer の3つの構造エンコーディング ① Centrality Encoding ノードの次数を入力に加算 hv (0) = xv + zdeg(v) ハブノードと末端ノードを区別 ② Spatial Encoding 最短経路長を Attention バイアスに Avu += bφ(v,u) 近いノードほど高い Attention ③ Edge Encoding 経路上のエッジ特徴を反映 Avu += cvu 結合種別などの情報を注入 Graphormer の Attention スコア（統合） Avu = (hv ·WQ )(hu ·WK )T / √d + bφ(v,u) + cvu 通常の Self-Attention ＋ 最短経路バイアス ＋ エッジ特徴バイアス 遠距離ノード間の依存関係を直接捕捉 過平滑化・過絞り込みを構造的に回避 グラフ構造情報を Attention に直接反映 OGB Large-Scale Challenge (2021) 1位 分子特性予測（PCQM4M）で SOTA — 創薬・材料科 学への応用が進行中 Graph Transformer の利点
18. 18 18 © 2026 Boost Consulting, Inc. GNNの最前線へ GNN × LLM — 構造理解とテキスト理解を融合する Chen et al. (SIGKDD Explorations 2023): LLM × GNN の融合を Enhancer・Predictor・Aligner の3 類型で体系化 核心: LLM がテキストを理解し、GNN が構造を処理する分業 テキスト付き グラフ → LLM が テキストを処理 → 構造化された グラフ → GNN が 構造を処理 → 予測結果 3つの融合アプローチ ① LLM as Enhancer LLM でテキストを埋め込み → GNN の入力特 徴量として使用 LLM →特徴量→ GNN ② LLM as Predictor LLM で擬似ラベルを生成 → GNN が構造を通 じて全体に伝播 LLM →ラベル→ GNN ③ LLM as Aligner LLM と GNN の表現空間を対照学習で整合さ せる LLM ⇄整合⇄ GNN いずれもLLM のテキスト理解とGNN の構造処理を分業 → 単独では不可能な精度とスケーラビリティを実現
19. 19 19 © 2026 Boost Consulting, Inc. GNNの最前線へ LLM-GNN — 240万ノードを約$1で分類した具体的パイプライン Chen et al. (ICLR 2024): GPT-3.5 で少数ノードにラベル付け → GCN で全体に伝播する「LLM as Predictor 」の実例 対象データ: ogbn-products（Amazon商品グラフ）—— 2,449,029 ノード / 47 カテゴリ 3ステップのパイプライン Step 1: 能動的ノード選択 全240万ノードから代表的・多様なノードを選 定（C-Density で効率的に抽出） → Step 2: GPT-3.5 でラベル生成 商品説明を入力 → Top-3 カテゴリ + 信頼 度を出力 → Step 3: GCN で全体に伝播 擬似ラベルで GCN を学習（信頼度を損失の 重みに使用） 手法比較: ラベルなしで LLM 単独にどこまで迫れるか 手法 精度 コスト 特徴 BART 分類器 28.8% 低 テキストのみ・構造未使用 TAG-Z（Zero-shot） 47.08% 低 テキスト＋グラフだがラベルなし LLM 単独（全ノード推論） 75.33% $1,572 高精度だがコストが非現実的 LLM-GNN（本手法） 74.91% $0.74 LLM同等精度を 2,124倍低コストで GNN のメッセージパッシングが LLM の API 呼び出しを代替 → 精度を維持したままコストを 1/2,124 に削減
20. 20 20 © 2026 Boost Consulting, Inc. GNNの最前線へ GNN 手法の系譜——10年で「近傍集約」から「LLM融合」へ 各手法が前の手法の課題を解決する形で発展——MP を基盤としつつ、その限界を補完・拡張 前史 メッセージパッシング時代 MP の壁を超える 2014 DeepWalk ランダムウォーク + Word2Vec 2016 GCN 隣接行列 Â による 近傍集約 + 層の積み重 ね 2017 GraphSAGE / MPNN 局所近傍サンプリング M・Σ・U 統一フレーム → 新規ノード非対応を解決 2018 GAT Transformer の Attention を近傍集約に適用 → 隣人の平等扱いを解決 2021 Graphormer 全ノード間 Self-Attention + 構造エンコーディング → 過平滑化・過絞り込みを回避 2023 GNN × LLM LLM のテキスト理解 + GNN の構造処理を分業 → テキスト理解の浅さを解決
21. 21 21 © 2026 Boost Consulting, Inc. 産業応用例 ① 創薬・分子設計——分子はそのままグラフになる 原子＝ノード、化学結合＝エッジ——GNN が分子の性質予測と新薬設計を革新 分子グラフの構成 要素 グラフ表現 特徴量の例 原子（C, N, O…） ノード 元素種、電荷、混成軌道 化学結合 エッジ 結合種（単結合、二重結合、芳香族） 主なタスクと手法 分子特性予測 タスク: 毒性・溶解度・結合親和性の予測 手法: MPNN (Gilmer+, 2017) / Graphormer MPNN は元々分子特性予測のために提案 構造予測 タスク: タンパク質の3D構造予測 手法: AlphaFold2（残基間距離をグラフ化） 2024 ノーベル化学賞 分子生成 タスク: 望む性質を持つ新分子の設計 手法: GCPN (You+, 2018, 強化学習 +GNN) 100% 化学的に妥当な分子のみ生成 実用化の最前線: Insilico Medicine — GNN 設計の新薬候補が臨床フェーズII に到達 発見→候補まで通常5年を 18ヶ月に短縮 画像引用元: Carlo Abate, Sergio Decherchi, Andrea Cavalli, 2023
22. 22 22 © 2026 Boost Consulting, Inc. 産業応用例 ② 推薦システム——30億ノードの Pinterest を支える PinSage Ying et al. (KDD 2018): GraphSAGE ベースの産業規模 GNN で、ユーザー×アイテムの二部グラフから推薦を生 成 推薦グラフの構成 要素 グラフ表現 特徴量の例 ユーザー ノード（左側） 行動履歴、属性情報 アイテム ノード（右側） 画像埋め込み、テキスト、カテゴリ インタラクション エッジ Pin保存、クリック、購入 PinSage のパイプライン ① 近傍サンプリング ランダムウォークで重要な近傍を選定（全近傍 は計算不可能） → ② GraphSAGE で埋め込み 画像+テキスト特徴を近傍集約で埋め込みベ クトルに変換 → ③ 近傍検索で推薦 埋め込み空間で最近傍の Pin を「おすすめ」と して提示 30億 ノード × 180億 エッジ 同様の技術を活用する企業 Uber Eats: メニュー推薦 Alibaba: 商品推薦（10億+ノード） TikTok: 動画推 薦 画像引用元︓Ying et al. (KDD 2018)
23. 23 23 © 2026 Boost Consulting, Inc. 産業応用例 ③ 交通予測——道路ネットワーク × 時系列を GNN で処理 Google Maps の到着時刻予測にも採用——交差点＝ノード、道路＝エッジの時空間グラフを GNN で学習 交通グラフの構成 要素 グラフ表現 特徴量の例 交差点 / センサー ノード 交通量、平均速度、信号情報 道路区間 エッジ 距離、車線数、道路種別 時間変化 時系列特徴 過去T時点の速度・流量の系列 手法: 時空間 GNN（Spatio-Temporal GNN） 空間方向: GNN 隣接する交差点の交通状況をメッセージパッシングで集約 上流の渋滞が下流に波及するパターンを学習 + 時間方向: RNN / TCN 過去の時系列データから時間的パターンを抽出 ラッシュアワーや曜日パターンを学習 → 出力 15～60分先の各道路区間の 速度・到着時刻を予測 DCRNN (Li+, ICLR 2018) 交通流を双方向拡散としてモデル化——60分先予測で MAE 18%改善 Google Maps (2020～本番運用) GNN ベースの ETA 予測が全世界でデプロイ——到着時刻の精度を大幅向 上
24. 24 24 © 2026 Boost Consulting, Inc. 産業応用例 ④ 金融不正検知——1件ずつは正常、構造で見ると異常 取引ネットワークの構造パターンを GNN で捉え、従来手法では見逃す不正を検出 取引グラフの構成 要素 グラフ表現 特徴量の例 口座 / ユーザー ノード 口座年齢、取引頻度、残高 送金 / 取引 エッジ 金額、時刻、取引種別 タスク ノード分類 正常 / 不正（0.1〜1%） なぜ GNN が有効か 従来手法（ルールベース / 単体ML） 各取引を個別に判定 → 金額・頻度は正常範囲 → リング構造や共謀パターンを見逃す GNN（GraphSAGE / GAT ベース） MP で近傍の取引パターンを集約 → 構造的異常を検出 → 不正検出率 ↑ かつ偽陽性率 ↓ を両立 PayPal 異質グラフ上の GNN で不正検知——偽陽性率 を大幅に削減し、ユーザー体験を維持 Ant Financial（アリペイ） 数十億ノードの取引グラフに GNN を適用——リ アルタイムで不正送金パターンを検出 課題 極端なクラス不均衡（不正は0.1%）と、時間変 化する動的グラフへの対応が今後の焦点
25. 25 25 © 2026 Boost Consulting, Inc. まとめ 今日の5つのメッセージ ① GNN はグラフ構造データのための深層学習 CNN: 画像 / Transformer: 言語 / GNN: グラフ ② 核心アイデアは超シンプル 「隣人から情報を集めて自分を更新する」を反復 ③ GCN の中身もシンプル 入力 = 特徴量＋グラフ、学習 = 重み行列W、出力 = クラス確率、2層で精度81% ④ 進化の系譜 GCN → GAT/SAGE → MPNN → Graph Transformer → GNN×LLM ⑤ 産業応用は既に大規模に動いている 創薬・推薦・地図・金融、いずれも数億ノード規模
26. Strictly confidential CONFIDENTIAL 本文書（添付資料を含む）は、ブーストコンサルティング株式会社が著作権その他の権利を有 する営業秘密（含サプライヤ等第三者が権利を有するもの）です。当社の許可なく複製し利 用すること、また漏洩することは「著作権法」「不正競争防止法」によって禁じられております。本 資料内の社名・製品名は各社の登録商標です。 また、本資料はブーストコンサルティング株式会社による口頭の説明を補助するために使用され るものであって、本件に関する検討内容や議論の過程を網羅的に掲載しているものではありませ ん。 26 © 2026 Boost Consulting, Inc.
27. Strictly confidential End of File