こんにちは、Sansan株式会社 技術本部 研究開発部の難波です。
2026年6月8日（月）〜12日（金）の5日間、Gメッセ群馬（群馬県高崎市）にて開催された第40回 人工知能学会全国大会（JSAI2026）に参加してきました。弊社はプラチナスポンサーとして協賛し、ポスター発表2件・口頭発表1件を行うとともに、ブース出展や学生向けのランチ交流会も実施しました。
本記事では、弊社の研究発表とブースの様子に加えて、個人的に印象に残った発表を、質疑応答の内容も交えてレポートします。
JSAI2026について
人工知能学会全国大会（JSAI）は、人工知能学会が主催する日本最大級のAI学術イベントで、今年で第40回を迎えました。研究者・企業関係者・学生まで幅広い参加者が集まる場で、生成AIやLLM、AIエージェントといった最新のテーマから、古典的な統計・最適化手法を応用した研究まで、非常に多様な発表が行われます。
昨年（JSAI2025、大阪）は史上最大規模となり4000人以上が現地に来場しましたが、今年はそれを超える5000人以上が参加し、活発な議論が交わされていました。
会場となったGメッセ群馬は高崎駅からアクセスしやすく、広々とした展示・ポスター会場が印象的でした。
Sansanの研究発表
今年のJSAIでは、弊社から3件の研究発表を行いました。
GITによる複数ページ請求書の文脈を考慮したページ単位画像分類
ライ シンユ、本田 悠太郎（Sansan株式会社）
ライ、本田が、複数ページからなる請求書画像を、ページ間の文脈と順序を考慮して分類する手法を発表しました。
請求書のような業務文書では、あるページが「代表請求書」なのか「内訳ページ」なのかは、そのページ単体では判断できず、前後のページとの関係に左右されます。従来の文書画像分類はページを独立に扱うことが多く、こうしたページ間の文脈を十分に活用できていませんでした。
本研究では、動画キャプショニングのモデルであるGIT（Generative Image-to-text Transformer）の枠組みを応用し、動画フレームの代わりに請求書の各ページ画像を入力します。各ページにページ順序を表す埋め込みを付与してテキストデコーダに渡すことで、複数ページを同時に参照しながら、各ページの役割ラベルを一括で生成します。
評価では、入力上限（本研究では6ページ）に収まる請求書で、ページを独立に処理する単一ページモデルを上回る精度を確認しました。一方で、上限を超える請求書ではページ分割による情報欠落が起き、分割直後のページで「新しい先頭」と誤認しやすいといった課題も明らかになりました。また、入力ページの順序をシャッフルすると精度が大きく下がることから、提案手法がページ間の順序関係を実際に活用していることも示されています。
入力ページ数の上限や分割方法といった「入力設計」が分類性能を大きく左右する、という知見が得られた発表でした。
RT-QMC: 順序変換を用いた準モンテカルロサンプリングによるロバストな初期学習データ選択
田柳 俊和（Sansan株式会社）
田柳が、ラベルが一切ついていないデータの中から、最初にアノテーションすべきサンプルを選び出す手法「RT-QMC（Rank-Transformation Quasi-Monte Carlo）」を発表しました。
学習データを作るコストは実用化の大きな壁ですが、能動学習の多くは学習済みモデルや確率密度推定を前提とし、外れ値や高次元での距離集中に弱いという課題があります。本研究は、まだ何も学習していない初期段階で、特徴空間全体を効率よく網羅することを狙います。
アイデアはシンプルで、特徴量を順位（ランク）に変換することでスケールや外れ値の影響を取り除き、空間充填性に優れた準モンテカルロ点列（Halton列）を使って、高密度領域から低密度領域まで満遍なくサンプリングするというものです。
CIFAR-10・SVHNを用いた実験では、クラス不均衡データにおいて、ランダムサンプリングを上回る分類精度と少数派クラスの発見率を達成しました。一方、クラスが均衡したデータでもランダムサンプリングと同等の性能を維持しており、幾何学的手法（k-Center Greedyなど）が性能を落とす場面でも安定していました。t-SNEによる可視化からは、明確なクラスタ構造があるデータでは少数派を効率的に拾い、構造が曖昧なデータでは安全にランダム同等の挙動になるという、適応的な振る舞いが示唆されています。
スキャン文書画像を用いたページ欠落検出手法の検討
宮本 優一、吉村 皐亮（Sansan株式会社）
宮本・吉村が、スキャンされた文書画像だけを手がかりに、ページのスキャン漏れ（欠落）を自動検出する手法を発表しました。
紙文書の電子化では、大量処理の過程でページの欠落といったヒューマンエラーが起こりがちです。全ページの目視確認や原本との突き合わせは負荷が大きく、人手を介さずに欠落を検出できる仕組みが求められています。
本研究では、2つのアプローチを提案しています。1つ目は、OCRテキストと文書のメタデータ（タイトルや条項情報）をもとに、覚書・空白・署名欄・条項番号の連続性といったルールで判定するルールベース手法です。2つ目は、ページ画像やOCR結果をマルチモーダル言語モデルに入力し、ページ間の欠落を直接判定させる手法です。
実際の契約書PDFから1ページを欠落させた半人工データセットで評価したところ、画像を直接入力するVLMでF1 score、Accuracyが高くなりました。これはOCR処理を経由することで失われる文字位置などの情報を画像から直接活用している、または文字以外の情報からも判断している可能性があります。また、汎用的な大規模モデルよりもファインチューニングした小規模モデルの方が性能が良く、人間による判定と遜色ない結果になりました。
印象に残った発表
ここからは、現地で聴講し、発表者の方とも直接お話しできた中で特に印象に残った発表を2件紹介します。画像認識や画像復元に関わる立場として、質疑で伺った内容も交えてレポートします。
複数パノラマ動画を用いた市街地動態の4次元表現再構成
［1Yin-A-07］木暮 緋南1、勝又 圭1、宮西 大樹2,1、杉浦 孔明1（1. 慶應義塾大学、2. 東京大学大学院工学系研究科）
複数地点で撮影したパノラマ動画から、車や歩行者のような動く要素まで含めた市街地の動態を、4次元（空間＋時間）表現として再構成する研究です。入力は複数のパノラマ動画と、それぞれの撮影位置の3次元座標で、出力は動的要素と静的構造を同じ座標系で表した4次元表現です。
都市環境では、物理的・社会的な制約からカメラを密に置けず、視点同士の重なりも小さくなりがちです。こうした疎な視点配置では既存手法の最適化が不安定になりやすいのですが、本研究はそこを正面から扱っています。技術の核はMVJOM（Multi-Video Joint Optimization Module）で、撮影地点間の相対位置と時間整合性を使って、複数地点の観測を単一の動的シーン表現として共同最適化します。
評価では、シミュレータCARLAを使って位置情報付きパノラマ動画からなるU-S4Dベンチマークを新たに構築し、PSNR・SSIM・LPIPSのすべての設定でベースラインを上回る結果を示していました。PSNRではベースラインより6〜8dB高く、学習時に見ていない時間・視点に対する設定でも優位だった点から、単なる丸暗記ではなく一定の時空間補間ができていると読み取れます。
質疑では、提案手法の核である位置情報への依存度などを伺いました。撮影地点の位置にノイズを入れても大きな性能劣化はなく、1ポイント程度の揺れにとどまるとのことでした。地点数を3〜4地点に増やしても結果は同程度で、深度推定や動的領域マスクの誤りも、結果を見る限りは最適化の中でうまく吸収できているようです。気になった点がすでにアブレーションとして検証されていることが多く、実用目線で丁寧に研究されていて、刺激を受けました。
LayoutLMv3の日本語事前学習に関する検証
［1Yin-A-39］柳澤 篤1,2、中山 功太2、小田 悠介2、赤部 晃一4、岡崎 直観3,2（1. 京都大学、2. 国立情報学研究所、3. 東京科学大学、4. シェルパ・アンド・カンパニー株式会社）
文書画像・テキスト・レイアウトを単一のTransformerで扱う文書理解モデルLayoutLMv3を、日本語文書向けに事前学習する研究です。既存のLayoutLMv3は主に英語・中国語向けで、日本語の性能は担保されていませんでした。
本研究では、日本語トークナイザー（roberta-base-japanese）を用い、国立国会図書館WARP由来のPDFなど大規模な日本語データで事前学習を行っています。画像トークナイザーについては、LayoutLMv3本来の実装ではDiTを用いて構築された専用の離散トークナイザーが使われていますが、これが公開されていないため、自然画像で学習されたBEiT-v2のVQ-KDトークナイザーを代替として採用しています。
結果として、単語と画像パッチの対応づけを学ぶWPAは0.9971と高い精度に達した一方、画像パッチを当てるMIMは0.4833にとどまりました。これは、自然画像で学習されたVQ-KDと、文字・表・余白が支配的な文書画像との間にドメイン差があることが効いていると考えられていました。下流タスクでは、FUNSDやXFUND（日本語）では既存モデルとの差が残るものの、日本語文書質問応答JDocQAの4択問題では正解率・F1 scoreともに約0.81と、文書内容に基づく選択肢の識別は一定できているようです。
質疑では、MIMの低さは画像トークナイザーのドメイン差が主因と考えられており、文書画像に適したトークナイザーの開発に今後取り組まれるとのことでした。また、事前学習に使ったデータ自体がOCR誤りを含んでおり、それが精度のボトルネックになっている可能性もあるそうです。日本語LayoutLMv3を作る取り組みは非常に意義深く、モデルが公開されている点も含めて、今後の発展が楽しみな研究です。
おわりに
JSAI2026は、生成AIや視覚言語モデルといった最新トレンドから、地に足のついた実応用まで、AIの「今」を幅広く体感できる貴重な機会でした。弊社の発表・ブースにお立ち寄りいただいたみなさま、ありがとうございました。
Sansan技術本部ではカジュアル面談を実施しています
Sansan技術本部では中途の方向けにカジュアル面談を実施しています。Sansan技術本部での働き方、仕事の魅力について、現役エンジニアの視点からお話しします。「実際に働く人の話を直接聞きたい」「どんな人が働いているのかを事前に知っておきたい」とお考えの方は、ぜひエントリーをご検討ください。
