論文の概要: TreeSoc: Tree-Structured Dynamic Reasoning and Tool Synergy for Soccer Video Understanding
- arxiv url: http://arxiv.org/abs/2607.10990v1
- Date: Mon, 13 Jul 2026 01:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.29445
- Title: TreeSoc: Tree-Structured Dynamic Reasoning and Tool Synergy for Soccer Video Understanding
- Title(参考訳): TreeSoc: サッカービデオ理解のための木構造動的推論とツールシナジー
- Abstract要約: 本稿では,サッカービデオ質問応答を階層的検索問題として再構成する構造化推論フレームワークであるTreeSocを紹介する。
TreeSocは、複雑なクエリをシーケンシャルに順序づけられたサブタスクに分解する動的深度優先探索(DFS)メカニズムを採用している。
SoccerBenchでは、TreeSocは85.2%、87.4%、および82.2%の精度で、TextQA、ImageQA、VideoQAで最先端のパフォーマンスを達成した。
- 参考スコア(独自算出の注目度): 10.450840989094427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated understanding of complex soccer scenarios from video remains a significant challenge for contemporary vision-language models (VLMs), which suffer from shallow cross-modal alignment and exhibit fundamental limitations in multi-step reasoning and coordinated tool integration. We present TreeSoc, a structured reasoning framework that reformulates soccer video question answering as a hierarchical search problem rather than a single-pass prediction. Specifically, TreeSoc employs a dynamic depth-first search (DFS) mechanism that decomposes complex queries into sequentially ordered sub-tasks, enabling iterative reasoning refinement through explicit intermediate states. This tree-structured decomposition naturally supports adaptive tool routing, wherein domain-specific modules are selectively activated and their outputs incorporated at each reasoning node to produce contextually grounded predictions. On SoccerBench, TreeSoc achieves state-of-the-art performance, with accuracies of 85.2%, 87.4%, and 82.2% on TextQA, ImageQA, and VideoQA, respectively. Additionally, TreeSoc further demonstrates strong cross-domain generalization, attaining 74.16% accuracy on NExT-QA. These results establish structured, tool-augmented tree reasoning as an effective paradigm for robust video understanding. Code is available at: https://github.com/thanhnhan29/TreeSoc.
- Abstract(参考訳): ビデオから複雑なサッカーのシナリオを自動理解することは、多段階推論と協調ツール統合の基本的な限界を呈する浅瀬のクロスモーダルアライメントに苦しむ現代視覚言語モデル(VLM)にとって、依然として重要な課題である。
本稿では,単一パス予測ではなく階層的な探索問題として,サッカービデオ質問応答を再構成する構造化推論フレームワークであるTreeSocを提案する。
具体的には、TreeSocは複雑なクエリを逐次順序付けされたサブタスクに分解する動的深さ優先探索(DFS)機構を採用しており、明示的な中間状態による反復的推論の洗練を可能にしている。
この木構造分解は適応ツールルーティングを自然にサポートし、ドメイン固有のモジュールを選択的に活性化し、その出力を各推論ノードに組み込んでコンテキスト的に接地された予測を生成する。
SoccerBenchでは、TreeSocは85.2%、87.4%、82.2%のアキュラシーをTextQA、ImageQA、VideoQAで達成している。
さらに、TreeSocは強力なクロスドメインの一般化を示し、NExT-QAで74.16%の精度を達成した。
これらの結果は、堅牢なビデオ理解のための効果的なパラダイムとして、構造化されたツール強化ツリー推論を確立する。
コードは、https://github.com/thanhnhan29/TreeSoc.comで入手できる。
関連論文リスト
- Searching Videos as Trees: Self-Correcting Agents for Grounded Long Video QA [64.65523062099061]
グラウンドドロングビデオ質問応答(Grounded LVQA)では、長いビデオに関する質問に答えると同時に、その答えを支持する短いエビデンス間隔をローカライズする必要がある。
最近のエージェント的手法では、このタスクを、粗い粒度の絞り込みをサポートする単一の crop_video(start, end) アクションでマルチターン探索とみなしている。
適応時間木上の反復的自己修正探索としてLVQAをキャストするフレームワークであるVideoTreeSearch(VTS)を提案する。
論文 参考訳(メタデータ) (2026-07-17T17:59:27Z) - A Novel Architecture for Symbolic Reasoning with Decision Trees and LLM Agents [0.0]
本稿では,決定木に基づく記号推論と大規模言語モデルの生成機能を統合するハイブリッドアーキテクチャを提案する。
ツリーベースのモジュールは解釈可能なルール推論と因果論理を可能にし、一方LLMエージェントは帰納的推論、一般化、対話的計画を扱う。
システムは推論ベンチマークで高いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2025-08-07T12:11:53Z) - From Roots to Rewards: Dynamic Tree Reasoning with Reinforcement Learning [0.0]
木に基づく推論を適応的なプロセスに変換する動的強化学習フレームワークを提案する。
これはProbTreeの確率的厳密さを維持しつつ、ソリューションの品質と計算効率の両方を改善している。
この研究は、確率的フレームワークの信頼性と現実の質問応答システムに必要な柔軟性のバランスをとる、木構造推論の新しいパラダイムを確立する。
論文 参考訳(メタデータ) (2025-07-17T14:06:19Z) - Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。
HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。
これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
論文 参考訳(メタデータ) (2025-06-29T15:19:13Z) - VideoTree: Adaptive Tree-based Video Representation for LLM Reasoning on Long Videos [67.78336281317347]
長文理解は,ビデオデータの冗長度が高く,クエリ非関連情報の豊富さによって複雑になる。
我々は,LLM推論のためのクエリ適応的かつ階層的なビデオ表現を構築する,トレーニング不要なフレームワークであるVideoTreeを提案する。
論文 参考訳(メタデータ) (2024-05-29T15:49:09Z) - Tree Prompting: Efficient Task Adaptation without Fine-Tuning [112.71020326388029]
Tree Promptingはプロンプトの決定ツリーを構築し、複数のLMコールをリンクしてタスクを解決する。
分類データセットの実験により、Tree Promptingは競合するメソッドよりも精度が向上し、微調整と競合することが示された。
論文 参考訳(メタデータ) (2023-10-21T15:18:22Z) - RLET: A Reinforcement Learning Based Approach for Explainable QA with
Entailment Trees [47.745218107037786]
本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。
RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。
EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
論文 参考訳(メタデータ) (2022-10-31T06:45:05Z) - Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。
本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。
前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
論文 参考訳(メタデータ) (2022-05-18T21:52:11Z) - Linguistically Driven Graph Capsule Network for Visual Question
Reasoning [153.76012414126643]
我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。
具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。
CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
論文 参考訳(メタデータ) (2020-03-23T03:34:25Z) - Hierarchical Conditional Relation Networks for Video Question Answering [62.1146543269993]
条件関係ネットワーク(CRN)と呼ばれる汎用再利用可能なニューラルネットワークユニットを導入する。
CRNは、ビデオ上での表現と推論のためのより洗練された構造を構築するためのビルディングブロックとして機能する。
その結果,ビデオQAのような複雑なドメインに対する汎用推論ユニットの構築の影響が示された。
論文 参考訳(メタデータ) (2020-02-25T07:00:48Z)
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。