抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
配列された対話を有するビデオを与えられた場合,人々は,次のように起こる可能性が高いことをしばしば推論することができる。このような予測を行うには,ビデオと対話の根底にある豊富な動力学の深い理解だけでなく,また,かなりの量の共通の知識も必要である。本研究では,AIモデルがそのようなマルチモーダルコモンセンスの次の事象予測を学習できるかどうかを探求した。この方向における研究をサポートするために,著者らは,ビデオおよび言語イベント予測(VLEP)という新しいデータセットを収集し,10,234の多様なTV ShowおよびYouTube Lifeスタイル Vlogビデオクリップからの28,726の将来のイベント予測例(それらの理論的根拠を有する)と命名した。非自明な挑戦的事例の収集を促進するために,著者らは,敵対的人間およびモデルインザループデータ収集手順を採用した。また,ビデオ,対話,およびコモンセンス知識からの情報を組み込んだ強いベースラインも提示する。実験は,各タイプの情報が,この挑戦的なタスクに対して有用であり,VLEP上の高い人間性能と比較して,著者らのモデルは,良い出発点を提供するが,将来の研究のために大きな部屋を提供することを示した。著者らのデータセットとコードは,https://github.com/jayleicn/VideoLanguageFuturePredで利用可能である。【JST・京大機械翻訳】