摘要

在本文中，我们介绍了ENTER，一种基于事件图的可解释视频问答（VideoQA）系统。事件图将视频转换为图形表示，其中视频事件构成节点，而事件之间的关系（时间/因果/层次）则构成边。这种结构化的表示形式带来了许多优势：1) 通过生成解析事件图的代码实现可解释的视频问答；2) 通过事件图在推理过程中（代码生成）融入上下文视觉信息；3) 通过事件图的分层迭代更新实现稳健的视频问答。现有的可解释视频问答系统通常采用自上而下的方法，在推理计划生成时忽略低级别的视觉信息，因此较为脆弱。而自下而上的方法虽然能从视觉数据中生成响应，但缺乏可解释性。我们在NExT-QA、IntentQA和EgoSchema数据集上的实验结果表明，我们的方法不仅在性能上优于现有的自上而下方法，并且在与自下而上方法的竞争中也表现出色，更重要的是，在推理过程中提供了更高的可解释性和透明度。