論文の概要: From Cause to Effect: Generating Intermediate Event Chains in Videos
- arxiv url: http://arxiv.org/abs/2610.26275v1
- Date: Mon, 19 Oct 2026 12:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 18:36:07.026416
- Title: From Cause to Effect: Generating Intermediate Event Chains in Videos
- Title（参考訳）: 原因から効果へ:ビデオにおける中間イベントチェーンの生成
- Abstract要約: Video-Language Models (VLM) は視覚認識に優れるが、因果推論に苦慮する。
因果連鎖生成(Causal Chain Generation, CCG)は, モデルが原因と効果を結合する中間事象列を生成する新しいタスクである。
この構造化セットアップは真の推論を必要とし、信頼性の高い自動スコアリングを可能にする。
- 参考スコア（独自算出の注目度）: 33.15516724028175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video-Language Models (VLMs) excel at visual recognition but struggle with causal reasoning. Current evaluations are flawed: multiple-choice QA allows shortcuts, and open-ended QA lacks robust automatic evaluation. We introduce Causal Chain Generation (CCG), a novel task where models have to generate the sequence of intermediate events connecting a cause and an effect. This structured setup demands genuine reasoning and enables reliable automatic scoring. We accompany this task with two complementary metrics: SODA-Embedding, which measures the semantic matching of a generated chain against a reference, and Causal-QA, which probes the chain's causal coherence by asking whether it contains the specific causal facts needed to reconstruct the narrative. We provide two test sets: SF20K-CC, a manually annotated diagnostic on 20 short films, and CMD-CC, a movie clip benchmark derived from audio descriptions. Our analysis reveals that state-of-the-art VLMs struggle with narrative causality understanding, frequently hallucinating or omitting key events. To address this, we fine-tune VLMs with GRPO using a composite reward that combines a format reward, SODA-Embedding, and Causal-QA accuracy, demonstrating substantial improvements over strong baselines.
- Abstract（参考訳）: Video-Language Models (VLM) は視覚認識に優れるが、因果推論に苦慮する。
マルチチョイスQAはショートカットを可能にし、オープンエンドQAは堅牢な自動評価を欠いている。
因果連鎖生成(Causal Chain Generation, CCG)は, モデルが原因と効果を結合する中間事象列を生成する新しいタスクである。
この構造化セットアップは真の推論を必要とし、信頼性の高い自動スコアリングを可能にする。
提案課題には, 生成した連鎖の参照に対するセマンティックマッチングを測定するSODA-Embeddingと, 物語再構築に必要な特定の因果事実を含むかどうかを問うことで, 連鎖の因果コヒーレンスを探索するCausal-QAという2つの相補的な指標が伴う。
SF20K-CCは20本の短いフィルムを手動で注釈付けした診断装置であり、CMD-CCは音声による映像クリップのベンチマークである。
我々の分析によると、最先端のVLMは物語の因果関係の理解や、しばしば幻覚や、重要な出来事を省くのに苦労している。
これを解決するために,フォーマット報酬,SODA-Embedding,Causal-QAの精度を組み合わせた複合報酬を用いてGRPOを用いてVLMを微調整し,強力なベースラインよりも大幅に改善した。
関連論文リスト
- Evidence-Backed Video Question Answering [90.93225758130426]
既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。
E-VQA(Evidence-Backed Video Question Answering)を提案する。
これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
論文 参考訳（メタデータ） (2026-07-13T17:49:10Z) - CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering [27.144152466342103]
映像の因果推論は視覚言語モデル(VLM)にとって重要な課題である
本稿では, Causal-Temporal Video Reasoning SST-BenchのベンチマークであるCaST-Benchを紹介する。
テンポラル・セグメントとバウンディングボックス・トラックをアノテートした2,066問の高品質なデータセットを1,015ビデオ上に構築する。
論文 参考訳（メタデータ） (2026-05-22T04:19:29Z) - ImplicitQA: Going beyond frames towards Implicit Video Reasoning [39.63171940350552]
ImplicitQAは、人間のような暗黙の推論でビデオQAモデルをテストするために設計された新しいベンチマークである。
ImplicitQAは、1Kの高品質なクリエイティビティビデオクリップから引き出された1Kの微妙な注釈付きQAペアからなる。
論文 参考訳（メタデータ） (2025-06-26T19:53:54Z) - VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models [29.706347050700867]
ビデオベース長周期因果推論(VCRBench)という新しいベンチマークを導入する。
VCRBenchは、LVLM(Large Video Language Model)が特定の目標を達成するために必要なイベントを特定し、推論し、正しくシーケンスできるかどうかをテストする。
本稿では,ビデオに基づく因果推論を,ビデオ認識と因果推論の2つのサブタスクに分割するモジュラーアプローチである認識推論分解(RRD)を提案する。
論文 参考訳（メタデータ） (2025-05-13T11:35:58Z) - Cross-modal Causal Relation Alignment for Video Question Grounding [44.97933293141372]
ビデオQG(Video question grounding)では、質問に答え、関連するビデオセグメントを同時に推論して回答をサポートする必要がある。
既存のビデオQG手法は、通常、急激な相互モーダルな相関に悩まされ、意図された問題と一致した支配的な視覚シーンを特定することに失敗する。
本稿では,CRA(Cross-modal Causal Relation Alignment)と呼ばれる新しいビデオQGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-05T01:36:32Z) - MECD+: Unlocking Event-Level Causal Graph Discovery for Video Reasoning [23.252277029461766]
新しいタスクとデータセットであるMulti-Event Causal Discovery (MECD)を導入する。
時系列的に長いビデオに分散したイベント間の因果関係を明らかにすることを目的としている。
我々は,効率的なマスクベースの事象予測モデルを用いて,Granger Causality法にインスパイアされた新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2025-01-13T11:28:49Z) - Can I Trust Your Answer? Visually Grounded Video Question Answering [88.11169242115416]
本稿では,ビデオ言語理解のための事前学習技術を活用したビデオQAについて検討する。
NExT-GQA - NExT-QAの拡張で、10.5$K$の時間的グラウンドラベルを元のQAペアに結び付ける。
論文 参考訳（メタデータ） (2023-09-04T03:06:04Z) - Visual Causal Scene Refinement for Video Question Answering [117.08431221482638]
本稿では,ビデオQAの因果的解析を行い,視覚因果的シーンリファインメント (VCSR) という,相互因果的推論のための枠組みを提案する。
我々のVCSRには2つの重要なモジュールがあり、質問セマンティクスによって導かれる連続的なビデオフレームを洗練し、因果的フロントドア介入のためのより代表的なセグメント特徴を得る。
NExT-QA、Causal-VidQA、MSRVTT-QAデータセットの実験は、視覚因果シーンの発見と堅牢なビデオ質問応答の実現におけるVCSRの優位性を実証している。
論文 参考訳（メタデータ） (2023-05-07T09:05:19Z) - Invariant Grounding for Video Question Answering [72.87173324555846]
Video Question Answering (ビデオQA)は、ビデオに関する質問に答えるタスクである。
先行するビデオQAモデルでは、典型的な学習目標である経験的リスク最小化(ERM)が、ビデオクエストペアと回答の間の表面的相関に基づく。
Invariant Grounding for VideoQA (IGV) という新たな学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-06T04:37:52Z) - Counterfactual Variable Control for Robust and Interpretable Question
Answering [57.25261576239862]
ディープニューラルネットワークに基づく質問応答(QA)モデルは、多くの場合、堅牢でも説明もできない。
本稿では、因果推論を用いてQAモデルのこのような突発的な「能力」を検証する。
本稿では,任意のショートカット相関を明示的に緩和する,CVC(Counterfactual Variable Control)という新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-12T10:09:05Z)
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。