NABLAS 將於 JSAI 2026 發表三篇論文，涵蓋 AI 生成影片偽造偵測與日本文化特化影片問答

作為綜合性 AI 研究所營運的 NABLAS 株式會社（總公司：東京都文京區本鄉，代表董事兼所長：中山浩太郎，以下簡稱「本公司」）宣布，其研發部門的最新研究成果中，有三篇論文已被 2026 年 6 月舉行的日本國內最大規模人工智慧研究會議——第 40 屆人工智慧學會全國大會 (JSAI 2026) 接受，將進行口頭及海報發表。

NABLAS 致力於推動深度偽造偵測、視覺語言模型 (MLLM)、數據分析代理等最先進 AI 技術的研發，以解決社會問題並創造新價值。從這些研究活動中，關於行銷支援、專注於日本文化的 AI 評估基礎設施，以及對抗不斷演進的生成式 AI 威脅的偽造影片偵測等三個主題的論文已獲接受，將進行口頭及海報發表。

此外，除了本公司發表的論文外，與豐田汽車株式會社共同開發的研究成果也將有兩篇論文進行口頭及海報發表。

【透過社群媒體分析進行食品名稱行銷支援的推薦系統】 在經濟產業省與 NEDO 為強化國內生成式 AI 開發能力而實施的「GENIAC (Generative AI Accelerator Challenge)」計畫支援下，本公司從 2024 年 10 月至 2025 年 4 月底約六個月的時間，致力於視覺語言模型及其應用服務的開發。基於此研發成果，我們進一步推進了關於從社群媒體數據進行趨勢預測的實用化研發。

由於食品流行趨勢直接影響製造、庫存與物流規劃，因此需要一種能從社群媒體提及中，早期提取並整理出行銷分析中應關注的食品名稱候選方法。然而，作為選定基準的現有指標尚未充分建立。本研究基於分析對象食品名稱同時具備「當前低頻率（稀有度）」與「詞彙構成非典型性（意外性）」的假設，整合並排序這些特徵，提出了一個支援食品趨勢分析中探索性分析的框架。

一般議程：AI 應用：行銷與推薦 2026 年 6 月 8 日 (星期一) 13:40~15:10，J 會場（中型會議室 201B）

【基於光流殘差與時空一致性的影片偽造偵測】 基於擴散模型的影片生成技術快速發展，使得生成越來越逼真的合成內容，包括自然的偽造影片成為可能。傳統的偽造影片偵測方法透過捕捉幀間的細微不一致來判斷偽造，但生成式 AI 技術的進步使得捕捉這些細微不一致變得困難。本研究提出了一個新的偵測框架來捕捉這些細微不一致（時間一致性的紊亂），從而識別偽造影片。

這是一個結合 RGB 外觀特徵與光流殘差，利用空間與時間一致性的偵測框架。此外，針對所提出的方法，在 10 種不同的生成模型上，針對文字生成影片 (text-to-video) 和圖片生成影片 (image-to-video) 任務進行了大規模實驗，結果顯示了高度的穩健性和優異的泛化性能。

海報議程 2026 年 6 月 8 日 (星期一) 14:10~15:40，Y 會場（展覽廳 AB-1）

【Japanese Video-QA：專注於日本文化的影片問答基準建構與評估】 本論文提出了一個專注於日本文化的影片問答基準「Japanese Video-QA」。近年來，多模態大型語言模型 (MLLM) 在跨圖像、音訊和影片的處理能力上迅速提升，但幾乎沒有能夠定量評估高度依賴日語和日本文化的影片理解能力的基準。Japanese Video-QA 是為填補此缺口而建構的基準，是將日本文化這個特定領域中影片理解的難度可視化的初步嘗試。

該數據集由來自 YouTube 上 428 部與日本相關的影片，透過 Gemini 2.5 Flash 進行問題生成並經人工驗證和修正而建構的 800 個問答對組成。影片涵蓋了四季/節慶、觀光景點、傳統文化、飲食文化、自然/風景、流行文化等 6 個領域和 100 個子領域。

海報議程 2026 年 6 月 8 日 (星期一) 16:10~17:40，Y 會場（展覽廳 AB-1）

【用於時間序列數據解釋的多模態 LLM 設計及其在車輛駕駛行為解釋中的應用】 傳統上，開發以時間序列數據為輸入的機器學習模型需要為每個應用建構專用模型，且精度有限。為了解決這個問題，本研究提出了一個能夠處理時間序列數據的新型多模態 LLM（時間序列語言模型：TSLM）。

一般議程：AI 應用：多模態理解與解釋 2026 年 6 月 9 日 (星期二) 15:30~17:00，E 會場（主廳 C）

【為開發用於時間序列數據解釋的多模態 LLM 建構車輛行駛數據集】 近年來，除了自然語言之外，利用圖像、影片、音訊等多樣化數據集進行大規模語言模型 (LLM) 多模態化的研究正在積極進行。然而，能夠解釋時間序列數據的多模態 LLM 的開發，由於缺乏將時間序列數據與說明文字配對的大規模數據集，進展並不充分。本研究專注於時間序列數據中的車輛行駛數據，旨在生成行駛狀況的說明文字並建構大規模數據集，提出了一個將車輛行駛數據圖形化並由視覺語言模型 (VLM) 處理的流程。

海報議程 2026 年 6 月 9 日 (星期二) 16:00~17:30，Y 會場（展覽廳 AB-1）

本公司除了偽造偵測技術外，也致力於挑戰 AI 代理自動化數據分析、超越相關分析的自動化因果推論（包括自動建構 DAG）、以及透過在製造業等工廠和生產現場利用時間序列數據來提升生產力和異常偵測報告等應用。