PALACE（Persistence Adaptive-Landmark Analytic Classification Engine）は、PLACEのデータ適応版として提案された閉形式カーネル手法である。特徴は、予算・半径・帯域幅の3つのパラメータ（各最大5択）のクロスバリデーションのみで動作し、勾配学習を一切使わずに点群・グラフ分類を行う点にある。
理論面では、ランドマーク被覆に対するLebesgue数基準を核とする被覆理論から4つの閉形式保証を導出する。構造的歪み下界λ(τ;ν)、等重みw_k=K^(-1/2)の最適性と最遠点サンプリング配置によるk-center被覆半径の2近似、カーネル-RKHS分類レートO((k-1)√K/(γ√m_min))とLe Cam下界に一致する二値必要閾値、そして予測ごとの非漸近Pinelis形式・漸近ガウス形式の認証である。配置・重み・フィルトレーション選択すべてが訓練ラベルのみから導出される。
実験面ではOrbit5kで91.3±1.0%を記録しPersformerと同等、COX2・MUTAGでは図ベース競合すべてをリード、DHFRではECPから1pp以内に収まる。さらにドメインを8倍に拡大した条件下で、適応配置が94%の精度を維持する一方、均一グリッドは4クラスデータで偶然レベル（25%）まで崩壊する。
化学グラフプールではカーネル-Mahalanobisマージンρ̂_Mahが平均Spearman ρ≈+0.60で最強の閉形式ランカーとなり、等方サロゲートγ̂/√Kは選択一貫性レートを持つ。キャリブレーション分割なしで予測単位の認証が得られる点は、医療・化学など信頼性が要求される応用で、事後キャリブレーションに依存しない判断材料となる。
