論文の概要: VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding

• arxiv url: http://arxiv.org/abs/2606.05259v1
• Date: Wed, 03 Jun 2026 16:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.292054
• Title: VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding
• Title（参考訳）: VideoKR:知識と推論の集中的なビデオ理解を目指して
• Authors: Lin Fu, Zheyuan Yang, Yang Wang, Tingyu Song, Arman Cohan, Yilun Zhao,
• Abstract要約: ビデオ理解を強化するために設計された,最初の大規模トレーニングコーパスであるVideoKRを紹介する。 VideoKRは、新しく収集されたCCライセンスのエキスパートドメインビデオ145K以上の315Kビデオ推論例で構成されている。 我々は、より深い動画推論機能をターゲットにした、ループ内のヒューマン・イン・ザ・ループ・スキル指向のサンプル生成パイプラインを開発した。
• 参考スコア（独自算出の注目度）: 52.925648827667935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce VideoKR, the first large-scale training corpus specifically designed to strengthen knowledge- and reasoning-intensive video understanding. It comprises 315K video reasoning examples over 145K newly collected, CC-licensed, expert-domain videos. We develop a human-in-the-loop, skill-oriented example generation pipeline that targets progressively deeper video reasoning capabilities while ensuring the difficulty, diversity, and reliability of both the examples and their CoT rationales. We also curate VideoKR-Eval, a new expert-annotated benchmark where questions require genuine video understanding and knowledge-intensive reasoning rather than textual shortcuts. Our experiments show that, under a standard SFT$\rightarrow$GRPO pipeline, models post-trained on VideoKR outperform prior post-training approaches on knowledge-intensive video reasoning while remaining competitive on general video reasoning, highlighting data design as a key driver of progress in video reasoning. We further conduct comprehensive ablations to isolate the contributions of VideoKR, providing actionable insights for future work.
• Abstract（参考訳）: 我々は、知識と推論集約的なビデオ理解を強化するために設計された、最初の大規模トレーニングコーパスであるVideoKRを紹介する。 これは、新しく収集されたCCライセンスのエキスパートドメインビデオ145K以上の315Kビデオ推論例で構成されている。 我々は、より深いビデオ推論能力を目標とし、サンプルとCoTの合理性の両方の難易度、多様性、信頼性を確保しながら、段階的により深いビデオ推論能力を目標とする、ループ内のヒューマン・イン・ザ・ループ・スキル指向のサンプル生成パイプラインを開発する。 また、ビデオKR-Evalは、専門家が注釈を付けた新しいベンチマークで、質問はテキストのショートカットではなく、真のビデオ理解と知識集約的な推論を必要とする。 我々の実験は、標準のSFT$\rightarrow$GRPOパイプラインの下で、ビデオKRで訓練されたモデルは、一般的なビデオ推論に競争力を維持しながら、知識集約的なビデオ推論の訓練後のアプローチよりも優れており、ビデオ推論の進歩の鍵となるデータ設計が強調されていることを示している。 さらに、ビデオKRのコントリビューションを分離するための包括的なアブリケーションを実施し、将来の作業に実用的な洞察を提供する。

関連論文リスト

• Video-ToC: Video Tree-of-Cue Reasoning [65.66891474457466]
  ビデオ大言語モデル (Video Large Language Models, ビデオLLM) は複雑なビデオ理解に苦しむ。 Video-ToCは、ツリー・オブ・キュー推論によるビデオ理解を強化する新しいビデオ推論フレームワークである。
  論文  参考訳（メタデータ） (2026-04-22T12:02:24Z)
• VideoExplorer: Think With Videos For Agentic Long-Video Understanding [117.68219930263153]
  ロングビデオ理解はコンピュータビジョンにおいて難しい問題である。 ビデオによる思考の原則に基づくフレームワークであるVideoExplorerを提案する。 静的なコンテキストを推論する代わりに、VideoExplorerは、サブクエストを反復的に定式化し、関連するモーメントを特定し、タスク指向で時間的にスケーラブルなビデオ理解を実行する。
  論文  参考訳（メタデータ） (2025-06-12T15:39:10Z)
• Video-Skill-CoT: Skill-based Chain-of-Thoughts for Domain-Adaptive Video Reasoning [74.1272182814012]
  Video-Skill-CoT (別名 Video-SKoT) は、ドメイン適応型ビデオ推論のためのスキル対応CoT監視を自動構築し活用するフレームワークである。 まず、スキルベースのCoTアノテーションを構築し、それらを共有スキル分類に分類し、トレーニング用に各ビデオ検索ペアに合わせて、詳細なマルチステップのCoT論理を作成する。 第二に、スキル固有のエキスパート学習フレームワークを導入し、各エキスパートモジュールは推論スキルのサブセットを専門とし、軽量なアダプタで訓練する。
  論文  参考訳（メタデータ） (2025-06-04T03:18:01Z)

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。