PulseAugur
中
实时 19:20:00
English(EN) Multi-Modal Scene Graph with Kolmogorov-Arnold Experts for Audio-Visual Question Answering

新型SHRIKE模型利用场景图推进视听问答

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出SHRIKE，一个新颖的视听问答系统，该系统利用多模态场景图和基于Kolmogorov-Arnold网络（KAN）的专家混合（MoE）。这种方法显式地对视听场景中的对象及其关系进行建模，解决了现有方法在处理结构化视频信息和细粒度多模态特征建模方面的局限性。SHRIKE在MUSIC-AVQA和MUSIC-AVQA v2基准测试中取得了最先进的性能，展示了改进的时间推理和跨模态交互能力。 AI

影响 推进视听推理能力，可能提高AI对复杂场景和交互的理解。

排序理由 该集群描述了一篇详细介绍新模型及其在既定基准上性能的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型SHRIKE模型利用场景图推进视听问答

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zijian Fu, Changsheng Lv, Xianlin Zhang, Mengshi Qi, Huadong Ma ·

    Multi-Modal Scene Graph with Kolmogorov-Arnold Experts for Audio-Visual Question Answering

    arXiv:2511.23304v2 Announce Type: replace Abstract: In this paper, we propose a novel Multi-Modal Scene Graph with Kolmogorov-Arnold Expert Network for Audio-Visual Question Answering (SHRIKE). The task aims to mimic human reasoning by extracting and fusing information from audio…

相关实体

相关话题