기존의 인과관계 기반 비디오 질의응답(VideoQA) 모델은 고차원 추론에 어려움을 겪고 있으며, 비디오 이해, 인과 추론, 답변 생성을 얽어놓은 불투명하고 단일적인 파이프라인에 의존하는 경향이 있습니다. 이러한 블랙박스 방식은 해석력이 제한적이고 피상적인 휴리스틱에 의존하는 경향이 있습니다. 본 논문에서는 인과 추론과 답변 생성을 명시적으로 분리하는 새로운 모듈식 프레임워크를 제안합니다. 자연어 인과 사슬을 해석 가능한 중간 표현으로 도입하여, 저수준 비디오 콘텐츠와 고수준 인과 추론을 연결하는 구조화된 인과 관계 시퀀스를 통해 투명하고 논리적으로 일관된 추론을 가능하게 합니다. 두 단계 아키텍처는 비디오-질문 쌍에서 인과 사슬을 생성하는 인과 사슬 추출기(CCE)와 이러한 사슬을 기반으로 답변을 생성하는 인과 사슬 기반 답변기(CCDA)로 구성됩니다. 주석이 달린 추론 추적의 부족을 해결하기 위해, 대규모 언어 모델을 사용하여 기존 데이터셋에서 고품질 인과 사슬을 생성하는 확장 가능한 방법을 제안합니다. 또한 인과 지향 자막에 대한 새로운 평가 지표인 CauCo를 제안합니다. 세 가지 대규모 벤치마크에 대한 실험을 통해 제안된 접근 방식이 최첨단 모델을 능가할 뿐만 아니라 설명 가능성, 사용자 신뢰 및 일반화에서 상당한 이점을 제공함을 보여주며, CCE를 다양한 도메인에서 재사용 가능한 인과 추론 엔진으로 자리매김합니다.
