LE-NeuS：基于自适应时序验证的延迟高效神经符号视频理解
计算机视觉与模式识别
2026-03-02 v1
摘要
神经符号方法已在长篇视频问答（LVQA）中显著提升准确率，通过在形式化验证中实现时序推理。然而，现有方法导致高达 90 倍的延迟开销，远低于基础 VLM 提示，难以满足面向边缘部署的延迟敏感场景。我们提出 LE-NeuS，一种延迟高效的神经符号框架，保留时序逻辑引导的视频理解准确性优势，同时大幅降低推理延迟。我们的关键洞察是，自动机构造过程中基于视频帧的顺序稠密命题检测是计算瓶颈。我们通过两个原则化优化措施实现：(1) 基于 CLIP 的两阶段自适应抽样，利用视觉冗余性跳过语义相似的帧，同时保留时序边界；(2) 批处理命题检测，对时序窗口进行并行 VLM 推理。理论上，我们推导了视频长度、命题复杂度和抽样密度下延迟效率的界限，建立了延迟效率可实现的条件。实证上，在LongVideoBench 和 Video-MME 基准测试部署于 NVIDIA H100 GPU 上，LE-NeuS 将延迟差距从 90 倍降至约 10 倍，同时在时序复杂查询上保持超过 10% 的准确率提升。
引用
@article{arxiv.2602.23553,
title = {LE-NeuS: Latency-Efficient Neuro-Symbolic Video Understanding via Adaptive Temporal Verification},
author = {Shawn Liang and Sahil Shah and Chengwei Zhou and SP Sharan and Harsh Goel and Arnab Sanyal and Sandeep Chinchali and Gourav Datta},
journal= {arXiv preprint arXiv:2602.23553},
year = {2026}
}
备注
Under review