論文の概要: Coarse Indexing, Fine Evidence: Decoupling Temporal Granularity in Long-Video RAG

• arxiv url: http://arxiv.org/abs/2608.23011v1
• Date: Mon, 24 Aug 2026 09:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.006263
• Title: Coarse Indexing, Fine Evidence: Decoupling Temporal Granularity in Long-Video RAG
• Title（参考訳）: 粗いインデクシングと微細な証拠:ロングビデオRAGにおける時間的粒度の分離
• Abstract要約: 我々は、クエリ非依存の粗い検索インデックスを元のきめ細かいエビデンス空間から分離する、トレーニング不要なアプローチである textbfDensity-Aware Graph Construction (DAGC) を提案する。 MLVU、VideoMME、LongVideoBenchの実験では、DAGCは元のグラフノードの40-50%しか保持せず、1.3$--$1.7times$エンドツーエンドのウォールクロックアクセラレーションを実現している。 異なるLVLMバックボーンとビデオRAGパイプライン間のゲイン移動は、長ビデオRAGが同じ時間的維持を必要としないことを示唆する
• 参考スコア（独自算出の注目度）: 9.939361774115874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based retrieval-augmented generation (RAG) provides a scalable paradigm for long-video understanding, but existing systems typically inherit a fixed temporal granularity from video segmentation when constructing their retrieval index. We argue that this design unnecessarily couples indexing granularity with evidence granularity: coarse representations can often suffice for locating relevant temporal regions, while fine-grained evidence remains important for downstream reasoning. We propose \textbf{Density-Aware Graph Construction (DAGC)}, a training-free approach that decouples a query-independent coarse retrieval index from the original fine-grained evidence space. DAGC constructs a compact, density-adaptive graph index by merging visually redundant neighboring chunks, while preserving mappings to the original temporal units. Retrieved coarse regions are subsequently expanded back to the original chunk granularity for fine-grained evidence refinement and answer generation. Experiments on MLVU, VideoMME, and LongVideoBench show that DAGC retains only about 40--50\% of the original graph nodes and achieves $1.3$--$1.7\times$ end-to-end wall-clock acceleration while preserving approximately 99\% of the original QA performance. The gains transfer across different LVLM backbones and video RAG pipelines, suggesting that long-video RAG need not maintain the same temporal granularity for indexing and evidence reasoning.
• Abstract（参考訳）: グラフベースの検索拡張生成(RAG)は、長ビデオ理解のためのスケーラブルなパラダイムを提供するが、既存のシステムは、検索インデックスを構築する際にビデオセグメンテーションから時間的粒度を継承するのが一般的である。 粗い表現は、しばしば関連する時間領域を見つけるのに十分である。一方、細かな証拠は下流の推論にとって重要である。 本稿では,クエリ非依存な粗い検索インデックスを,元のきめ細かいエビデンス空間から切り離す訓練不要なアプローチである,DAGC(textbf{Density-Aware Graph Construction)を提案する。 DAGCは、元の時間単位へのマッピングを保持しながら、視覚的に冗長な隣接するチャンクをマージすることで、コンパクトで密度適応的なグラフインデックスを構築する。 その後、回収された粗い領域を元のチャンク粒度まで拡大して、きめ細かい証拠の精製と回答の生成を行う。 MLVU、VideoMME、LongVideoBenchの実験では、DAGCは元のグラフノードの40-50-%しか保持せず、1.3$--$1.7\times$ end-to-end Wall-clockAccelerationを達成し、元のQAパフォーマンスの99-%を保っている。 異なるLVLMバックボーンとビデオRAGパイプライン間での利得は、インデックス化とエビデンス推論において、長時間ビデオRAGが同じ時間的粒度を維持する必要はないことを示唆している。

関連論文リスト

• Efficient Retrieval-Augmented Generation via Token Co-occurrence Graphs [6.058906522832935]
  TIGRAG(Token-induced GraphRAG)はトークン共起知識グラフに基づく効率的なグラフ拡張RAGフレームワークである。 推論中に、グラフベースのセマンティック展開とニューラルリグレードを組み合わせて、マルチホップ推論のための相互接続された証拠を検索する。
  論文  参考訳（メタデータ） (2026-06-29T10:29:51Z)
• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG [11.699085890492833]
  GraphRAGは、コーパスを明示的な知識グラフとして整理することで、検索拡張生成を拡張する。 既存のフレームワークは個々のチャンク内のエンティティとリレーションを抽出し、クロスチャンクの関係はインデックスから体系的に欠落している。 GNN誘導のCROSS-Chunk Graph AUGmentation法であるCrossAugを提案する。
  論文  参考訳（メタデータ） (2026-05-27T05:55:53Z)
• Attention Itself Could Retrieve.RetrieveVGGT: Training-Free Long Context Streaming 3D Reconstruction via Query-Key Similarity Retrieval [86.05617542701644]
  Visual Geometry Grounded Transformer (VGGT)はスケーラブルなTransformerアーキテクチャを通じて3D再構成を行う。 StreamVGGTは因果的にストリーミングを可能にするが、KVキャッシュはフレームとともに線形に成長し、メモリオーバーフローと品質劣化を引き起こす。 本稿では、VGGTのコンテキスト構築を検索問題として定式化する、トレーニング不要なフレームワークRetrieveVGGTを提案する。
  論文  参考訳（メタデータ） (2026-05-10T16:41:54Z)
• Event-Causal RAG: A Retrieval-Augmented Generation Framework for Long Video Reasoning in Complex Scenarios [9.729442664774988]
  Event-Causal RAGは、無限長ビデオ推論のための軽量な検索拡張フレームワークである。 ストリーミングビデオを意味的に一貫性のあるイベントにセグメントし、各イベントを構造化されたステート-イベント-ステートグラフとして表現する。 このメモリ上に、最も関連性の高いイベント因果連鎖を効率的に識別するための双方向検索戦略を設計する。
  論文  参考訳（メタデータ） (2026-05-07T13:01:28Z)
• VideoAtlas: Navigating Long-Form Video in Logarithmic Compute [3.705718227493618]
  textbfVideoAtlasは、動画を階層的なグリッドとして表現するためのタスクに依存しない環境である。 階層構造により、アクセス深度はビデオ長と対数的にのみ増大する。 ビデオRLMは1時間から10時間に及ぶベンチマークのスケーリングにおいて、最小限の精度の劣化を伴う最も長い時間ロバストな方法である。
  論文  参考訳（メタデータ） (2026-03-18T17:20:19Z)
• Right Answer at the Right Time - Temporal Retrieval-Augmented Generation via Graph Summarization [23.1799368651364]
  時間的知識グラフの質問応答には、時間的一貫性と効率的な検索が必要である。 時間整合ルールグラフの構築と,探索空間を狭めるために,このグラフ上での伝搬を行うという,2つの重要なアイデアに依存した時間的グラフRAGフレームワークSTAR-RAGを提案する。 この設計は、検索中に時間的近接を強制し、検索結果の候補セットを減らし、精度を犠牲にすることなくトークン消費を減少させる。
  論文  参考訳（メタデータ） (2025-10-19T05:00:04Z)
• Vgent: Graph-based Retrieval-Reasoning-Augmented Generation For Long Video Understanding [56.45689495743107]
  Vgentは、長いビデオ理解のためにLVLMを強化するグラフベースの検索推論拡張生成フレームワークである。 我々は,3つの長ビデオ理解ベンチマークを用いて,様々なオープンソースLVLMを用いてフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2025-10-15T19:14:58Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• DIFFVSGG: Diffusion-Driven Online Video Scene Graph Generation [61.59996525424585]
  DIFFVSGGはオンラインのVSGGソリューションで、このタスクを反復的なシーングラフ更新問題とみなしている。 オブジェクト分類の復号化、境界ボックス回帰、グラフ生成の3つのタスクを1つの共有特徴埋め込みを用いて統合する。 DIFFVSGGはさらに、後続のフレームの予測が過去のフレームの結果をLCMの条件入力として活用する継続的時間的推論を促進する。
  論文  参考訳（メタデータ） (2025-03-18T06:49:51Z)
• Temporally Consistent Referring Video Object Segmentation with Hybrid Memory [98.80249255577304]
  本稿では,参照セグメンテーションとともに時間的一貫性を明示的にモデル化する,エンドツーエンドなR-VOSパラダイムを提案する。 自動生成された高品質の参照マスクを有するフレームの特徴は、残りのフレームをセグメント化するために伝播される。 大規模な実験により,本手法は時間的整合性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-28T13:32:49Z)

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。