연구진은 장편 비디오 추론의 한계를 극복하기 위해 Event-Causal RAG라는 새로운 프레임워크를 제시했습니다. 이 프레임워크는 비디오를 의미론적으로 일관된 이벤트로 분할하고, 이벤트 간의 인과 관계를 파악하여 장기적인 기억을 유지합니다. Event-Causal RAG는 기존 방식보다 더 효율적인 메모리 관리와 성능 향상을 보여주었습니다.
Event-Causal RAG는 비디오를 이벤트로 분할하고, 각 이벤트를 State-Event-State (SES) 그래프로 표현하여 이벤트 간의 인과 관계를 모델링합니다. 이를 통해 장기적인 기억을 유지하고 복잡한 시나리오에서 질문에 답할 수 있습니다.
실험 결과, Event-Causal RAG는 기존 방식보다 뛰어난 성능을 보였으며, 특히 여러 이벤트를 통합하고 시간 간격이 긴 인과 관계 추론이 필요한 질문에서 강점을 나타냈습니다.