arXiv:2610.37867v1 発表タイプ：新規 要旨：食品類似性は、検索、推薦、代替など、さまざまな食に関する計算タスクの基盤となっているが、従来の食品表現評価では主に同一性の保持に焦点が当てられてきた。そこで私たちは、同一性を超えた食品類似性について考察する。すなわち、異なる視覚的表現が食品をいかに関係的な近隣群として整理し、これらの近隣群がどのような料理上の関係を明らかにしたり隠蔽したりするのか、さらに、こうした構造が表現間でどの程度一貫して現れるのかを問う。インド料理は、視覚的に類似している食品であっても異なる料理上のアイデンティティを持つことがあり、また同じ料理ファミリーに属する食品でも外見が大きく異なる場合があるという、極めて挑戦的な状況を提供する。拡張されたKhanaデータセットと、畳み込みニューラルネットワークやトランスフォーマーを含む7種類の事前学習済み視覚表現を用いて
豆包の広報責任者・劉星氏は声明を発表し、「横店と字節が提携し、15万人のエキストラの肖像と声を字節の大規模言語モデルに学習させた」という説は重大な事実誤認であると指摘した。同氏は、実際の「横店映画・テレビAIサービスプラットフォーム」は公共のデジタルインフラの構築を目指しており、映画・テレビ撮影地の実景などの資産を高品質なデータセットへと整備することで、制作チームが効率的にロケーション選定や準備、撮影を行えるよう支援するとともに、中小規模の映画・テレビ企業がAIを活用する際のハードルを下げ、より多くのクリエイターが良質な作品づくりに取り組める環境を整えることを目的としていると説明した。
arXiv:2610.36582v1 公告タイプ：新規 要旨：ランドマークベースの経路案内を生成するためには、モデルは地図の幾何学的構造と人間のランドマークに対する好みの両方を理解する必要があります。大規模言語モデル（LLMs）は言語処理タスクにおいて優れた能力を示していますが、これらのモデル向けに地図データをどのように構造化すべきかについては、まだ確立されていません。本論文では、経路ナビゲーションにおけるランドマーク選択タスク向けの構造化テキスト表現を提案し、空間的特徴を符号化するためにSVG形式を活用します。この構造化テキストは、レンダリングされた地図画像との幾何学的なつながりを維持しており、言語モデルが空間情報および意味情報を直接参照できるようにします。人間による経路説明文とOpenStreetMapデータから作成した新しいデータセットを用いて、ターンごとのランドマーク選択および目的地周辺でのランドマーク選択という二つのタスクについてモデルの評価を行います。
arXiv:2610.32184v1 発表タイプ：新規 要旨：安静時機能的磁気共鳴画像法（rs-fMRI）に基づく脳ネットワークに対する機械学習は、自閉症スペクトラム障害（ASD）の診断において有望であるが、既存の手法は限られた学習データに対して過剰適合しやすく、事後的な統計的帰属解析では臨床的な解釈可能性が限定的である。本研究では、ラベルを変更した脳ネットワークを学習することで、データ拡張と反事実的説明を統合する反事実的脳ネットワーク学習フレームワークであるCFBrainAugを提案する。従来のラベル保持型拡張とは異なり、CFBrainAugはまずラベルとは逆だがトポロジー的に類似した候補を抽出し、その後、モジュール数制約の下でそれを精緻化する。事実的および反事実的ネットワークを併せて学習することで、学習
arXiv:2610.31803v1 発表タイプ：新規 要旨：視覚的仕様から物理的に安定した3D構造を生成するには、幾何学的曖昧さを解消しつつ、物体間の物理的相互作用を考慮する必要があります。本研究では、与えられたブロックの在庫と3つの正投影シルエットを条件として、安定なブロック組み立てを生成するフレームワークStackGen3Dを提案します。我々の手法は二段階から成ります。まず、ブロック間の支持関係をモデル化し、安定性の迅速な予測器として機能する、物理情報に基づくグラフニューラルネットワーク（PI-GNN）を開発し、多様な安定構造のデータセットを収集します。次に、このデータセットを用いて条件付きフローマッチングモデルを学習し、目標とするシルエットに一致するブロック配置の多モード分布を捉えます。推論時には、軽
2026年10月26日、arXivは論文arXiv:2610.31723v1を公開し、ラテン語専用のエンコーダーであるLatin Modern BERT（LAMB）を提案しました。同モデルはModernBERTアーキテクチャに基づき、二段階の事前学習を経て、740億語以上のラテン語トークンと新たな形態素認識型マスク戦略を用いています。同時に、2つの全く新しいラテン語コーパスも公開されました。1つは240億語のAcervusで、76万件のByT5によるOCR修復済み破損テキストを含みます。もう1つは、世界初の人工的に構築されたラテン語の意味三項対象データセットCorpus Trinumで、強/弱の三項対象が1億以上収録されています。
arXivに掲載された新たな研究（番号2610.31682v1）では、言語運動、顔面表情、音声の韻律、話の交替といったマルチモーダルな特徴を用い、自閉症者と非自閉症者の参加者が含まれる3つの自然な二人間対話データセットにおいて、対話の成功度に対する各参加者の主観的認識を予測しました。
この論文（arXiv:2610.31842v1）は2026年10月26日に公開され、BabyViewコーパス――48人の子どもによる合計2,441時間の縦断的視点映像を収録したもの――を用いて対比的視覚言語モデルを学習し、実際の子どもの経験における「状況間学習」仮説の実現可能性を検証しています。
AI NEWS.cc