Fugu-MT 論文翻訳(概要): STRIVE: Structured Spatiotemporal Exploration for Reinforcement Learning in Video Question Answering

論文の概要: STRIVE: Structured Spatiotemporal Exploration for Reinforcement Learning in Video Question Answering

arxiv url: http://arxiv.org/abs/2604.01824v1
Date: Thu, 02 Apr 2026 09:35:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-03 14:21:10.633806
Title: STRIVE: Structured Spatiotemporal Exploration for Reinforcement Learning in Video Question Answering
Title（参考訳）: ビデオ質問応答における強化学習のための構造化時空間探索
Authors: Emad Bahrami, Olga Zatsarynna, Parth Pathak, Sunando Sengupta, Juergen Gall, Mohsen Fayyaz,
Abstract要約: STRIVEは質問応答のための構造化強化学習フレームワークである。報酬シグナルを豊かにし、より安定的で情報的なポリシー更新を促進する。時間的カバレッジを維持しながら、入力問題に最も関連するフレームを優先順位付けする。
参考スコア（独自算出の注目度）: 28.670443420523796
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce STRIVE (SpatioTemporal Reinforcement with Importance-aware Variant Exploration), a structured reinforcement learning framework for video question answering. While group-based policy optimization methods have shown promise in large multimodal models, they often suffer from low reward variance when responses exhibit similar correctness, leading to weak or unstable advantage estimates. STRIVE addresses this limitation by constructing multiple spatiotemporal variants of each input video and performing joint normalization across both textual generations and visual variants. By expanding group comparisons beyond linguistic diversity to structured visual perturbations, STRIVE enriches reward signals and promotes more stable and informative policy updates. To ensure exploration remains semantically grounded, we introduce an importance-aware sampling mechanism that prioritizes frames most relevant to the input question while preserving temporal coverage. This design encourages robust reasoning across complementary visual perspectives rather than overfitting to a single spatiotemporal configuration. Experiments on six challenging video reasoning benchmarks including VideoMME, TempCompass, VideoMMMU, MMVU, VSI-Bench, and PerceptionTest demonstrate consistent improvements over strong reinforcement learning baselines across multiple large multimodal models. Our results highlight the role of structured spatiotemporal exploration as a principled mechanism for stabilizing multimodal reinforcement learning and improving video reasoning performance.
Abstract（参考訳）: 本稿では,ビデオ質問応答のための構造化強化学習フレームワークSTRIVE(SpatioTemporal Reinforcement with Importance-Aware Variant Exploration)を紹介する。グループベースのポリシー最適化手法は、大規模なマルチモーダルモデルでは有望であるが、応答が類似した正しさを示す場合、報酬の分散が低くなり、弱いあるいは不安定な有利な推定が導かれる。 STRIVEはこの制限に対処し、各入力ビデオの複数の時空間変種を構築し、テキスト世代と視覚変種の両方で共同正規化を行う。言語多様性を超えたグループ比較を構造化された視覚摂動に拡張することにより、STRIVEは報酬信号を強化し、より安定的で情報的な政策更新を促進する。意味論的基盤を保ち続けるために、時間的カバレッジを維持しながら、入力問題に最も関係のあるフレームを優先する重要認識サンプリング機構を導入する。この設計は、1つの時空間構成に過度に適合するのではなく、相補的な視覚的視点で堅牢な推論を促進する。 VideoMME、TempCompass、VideoMMMU、MMVU、VSI-Bench、PerceptionTestを含む6つの挑戦的なビデオ推論ベンチマークの実験では、複数の大規模マルチモーダルモデルにわたる強力な強化学習ベースラインよりも一貫した改善が示されている。本研究は,マルチモーダル強化学習の安定化とビデオ推論性能向上のための原則的メカニズムとして,構造化時空間探索が果たす役割を強調した。

論文の概要: STRIVE: Structured Spatiotemporal Exploration for Reinforcement Learning in Video Question Answering

関連論文リスト