arXiv cs.CL· Qingming Li, Ruiyan Sun, Satoshi Nakamura·· 11 小时前AI 评分24
NarraSpace：面向看图描述痴呆症分类的多模态场景关联证据
NarraSpace: Multimodal Scene-Grounded Evidence for Picture-Description Dementia Classification
AI 导读
NarraSpace 将描述文本中的词语和语音时间对齐到图片命名元素，并按预设场景事件检索话语，用冻结语言模型对比阿尔茨海默病与健康对照样本下的事件文本。在 ADReSS 官方 48 人测试集上，固定支持向量机五十个随机种子平均准确率达 80.88%±2.56%，平均概率给出 81.25% 准确率和 91.32% AUC。
正文 · AI 翻译
摘要：图片描述痴呆分类使用共享的视觉场景，但仅凭转录级别的预测无法识别其输入所依据的场景证据。NarraSpace 将词语和语音时间关联到具名图片元素，并为预定义场景事件检索话语。叙事-空间描述符概括覆盖范围和时间组织。一个冻结的语言模型在阿尔茨海默病和健康对照训练参与者的示例下，对比每个事件的文本，同时结合转录惊奇度和覆盖度测量。保留的源记录将事件得分关联到其源话语、语音区间和词汇匹配。在阿尔茨海默病痴呆通过自发语音识别基准的官方 48 名参与者测试集上，一个固定的支持向量分类器在五十个随机种子下达到 $80.88\%\pm2.56\%$ 的平均准确率；平均概率产生 $81.25\%$ 的准确率和 $91.32\%$ 的受试者工作特征曲线下面积。NarraSpace 通过将事件索引的语言模型测量与其源话语、语音时间和提取记录相连接，使场景关联分类输入的构建变得明确且可检查。此类源关联测量可通过在原始语音证据旁提供定量摘要，支持临床医生对图片描述的审查。
| 评论： | 30 页，3 幅图 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.28616 [cs.CL] |
| （或 arXiv:2610.28616v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28616 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Qingming Li [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 17:55:44 UTC（988 KB）
来源：arXiv cs.CL · arxiv.org