論文の概要: Chunking Strategies for Multimodal AI Systems

• arxiv url: http://arxiv.org/abs/2512.00185v1
• Date: Fri, 28 Nov 2025 19:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.103029
• Title: Chunking Strategies for Multimodal AI Systems
• Title（参考訳）: マルチモーダルAIシステムのためのチャンキング戦略
• Authors: Shashanka B R, Mohith Charan R, Seema Banu F,
• Abstract要約: この調査は、各モダリティに合わせて調整されたチャンキング戦略の包括的分類と技術的分析を提供する。 固定サイズのトークンウィンドウ、オブジェクト中心のビジュアルチャンキング、サイレントベース音声セグメンテーション、シーン検出などの古典的および近代的なアプローチについて検討する。 異種データ型間のアライメントとセマンティック一貫性を維持することを目的とした,新たなクロスモーダルチャンキング戦略について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Our goal is to consolidate the landscape of multimodal chunking strategies, providing researchers and practitioners with a technical foundation and design space for developing more effective and efficient multimodal AI systems. This survey paves the way for innovations in robust chunking pipelines that scale with modality complexity, enhance processing accuracy, and improve generative coherence in real-world applications. This survey provides a comprehensive taxonomy and technical analysis of chunking strategies tailored for each modality: text, images, audio, video, and cross-modal data. We examine classical and modern approaches such as fixed-size token windowing, recursive text splitting, object-centric visual chunking, silence-based audio segmentation, and scene detection in videos. Each approach is analyzed in terms of its underlying methodology, supporting tools (e.g., LangChain, Detectron2, PySceneDetect), benefits, and challenges, particularly those related to granularity-context trade-offs and multimodal alignment. Furthermore, we explore emerging cross-modal chunking strategies that aim to preserve alignment and semantic consistency across disparate data types [4]. We also include comparative insights, highlight open problems such as asynchronous information density and noisy alignment signals, and identify opportunities for future research in adaptive, learning-based, and task-specific chunking.
• Abstract（参考訳）: 私たちのゴールは、マルチモーダルなチャンキング戦略の展望を強化し、より効率的かつ効率的なマルチモーダルなAIシステムを開発するための技術基盤と設計スペースを研究者や実践者に提供できるようにすることです。 この調査は、モダリティの複雑さに対処し、処理精度を高め、現実世界のアプリケーションにおける生成コヒーレンスを改善する、堅牢なチャンキングパイプラインにおけるイノベーションの道を開いた。 この調査は、テキスト、画像、オーディオ、ビデオ、およびクロスモーダルデータなど、各モダリティに合わせて調整されたチャンキング戦略の包括的な分類と技術的分析を提供する。 固定サイズのトークンウィンドウ、再帰的テキスト分割、オブジェクト中心の視覚的チャンク、サイレントベース音声分割、映像中のシーン検出などの古典的・近代的なアプローチについて検討する。 それぞれのアプローチは、その基本的な方法論、サポートツール(例えば、LangChain、Tectron2、PySceneDetect)、利点、課題、特に粒度-コンテキストのトレードオフとマルチモーダルアライメントに関して分析されます。 さらに、異なるデータ型間でのアライメントとセマンティック一貫性を維持することを目的とした、新たなクロスモーダルなチャンキング戦略について検討する [4]。 また、比較洞察や、非同期情報密度やノイズアライメント信号などのオープンな問題を強調し、適応的、学習ベース、タスク固有のチャンキングにおける将来の研究機会を特定します。

関連論文リスト

• From Waveforms to Pixels: A Survey on Audio-Visual Segmentation [43.79010208565961]
  Audio-Visualは、ビジュアルとオーディオの両方のモダリティを活用して、ビデオ内の音声生成オブジェクトを識別し、セグメント化することを目的としている。 本稿では、AVS分野の概要を概説し、その問題定式化、ベンチマークデータセット、評価指標、方法論の進歩について述べる。
  論文  参考訳（メタデータ） (2025-07-29T22:20:51Z)
• Multimodal Fusion and Vision-Language Models: A Survey for Robot Vision [49.073964142139495]
  マルチモーダル融合法と視覚言語モデルの適用と進歩を体系的に検討する。 セマンティックシーン理解タスクでは、エンコーダデコーダフレームワーク、アテンションベースアーキテクチャ、グラフニューラルネットワークに融合アプローチを分類する。 クロスモーダルアライメント、効率的な融合、リアルタイムデプロイメント、ドメイン適応など、現在の研究における重要な課題を特定します。
  論文  参考訳（メタデータ） (2025-04-03T10:53:07Z)
• Multimodal Alignment and Fusion: A Survey [11.3029945633295]
  このサーベイは、機械学習分野におけるマルチモーダルアライメントと融合の進歩に関する包括的概要を提供する。 我々は、両構造の観点から、アライメントと融合の鍵となるアプローチを体系的に分類し、分析する。 この調査は、クロスモーダルなミスアライメント、計算ボトルネック、データ品質の問題、モダリティギャップといった重要な課題を強調します。
  論文  参考訳（メタデータ） (2024-11-26T02:10:27Z)
• Where Do We Stand with Implicit Neural Representations? A Technical and Performance Survey [16.89460694470542]
  Inlicit Neural Representation (INR) は知識表現のパラダイムとして登場した。 INRは、データを連続的な暗黙の関数としてモデル化するために多層パーセプトロン(MLP)を利用する。 この調査では、アクティベーション機能、位置エンコーディング、統合戦略、ネットワーク構造という4つの重要な領域に分類する明確な分類法を紹介した。
  論文  参考訳（メタデータ） (2024-11-06T06:14:24Z)
• Towards a Unified View of Preference Learning for Large Language Models: A Survey [88.66719962576005]
  大きな言語モデル(LLM)は、非常に強力な能力を示す。 成功するための重要な要因の1つは、LLMの出力を人間の好みに合わせることである。 選好学習のすべての戦略を、モデル、データ、フィードバック、アルゴリズムの4つの構成要素に分解する。
  論文  参考訳（メタデータ） (2024-09-04T15:11:55Z)
• Embedding in Recommender Systems: A Survey [54.55152033023537]
  本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。 マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。 パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。