链式反应：基于因果链引导的模块化可解释因果-为何视频问答
计算机视觉与模式识别
2025-12-25 v2 人工智能
计算与语言
人机交互
机器学习
摘要
现有的因果-为何视频问答（VideoQA）模型往往难以处理高阶推理，依赖不透明的单一管道将视频理解、因果推断和答案生成交织在一起。这些黑箱方法的可解释性有限，往往依赖浅层启发式。我们提出一种新范式，显式地将因果推理与答案生成解耦，引入自然语言因果链作为可解释的中间表示。受人类认知模型的启发，这些结构化的因果-因果序列桥接了低层视频内容与高层因果推理，实现透明且逻辑连贯的推理。我们的两阶段架构包括从视频-问题对生成因果链的因果链提取器（Causal Chain Extractor, CCE），以及基于这些因果链推导答案的因果链驱动答案生成器（Causal Chain-Driven Answerer, CCDA）。为解决缺乏标注推理痕迹的问题，我们引入一种可扩展的方法，从现有数据集中生成准确的因果链。我们为46,000个样本构建了经过人工验证的因果链。我们还提出了一种用于因果导向描述的新评估指标CauCo。在三个大规模基准测试上进行的实验表明，我们的方法不仅超越了最先进的模型，还在可解释性、用户信任和泛化能力方面获得了显著提升——将CCE定位为跨域通用的因果推理引擎。项目页面：https://paritoshparmar.github.io/chainreaction/
引用
@article{arxiv.2508.21010,
title = {ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering},
author = {Paritosh Parmar and Eric Peh and Basura Fernando},
journal= {arXiv preprint arXiv:2508.21010},
year = {2025}
}
备注
Project page: https://paritoshparmar.github.io/chainreaction/