本研究将离散子集采样方法应用于图基视觉问答系统，以提升模型的可解释性和回答准确性。研究结果表明，这些方法有效减轻了可解释性与性能之间的权衡，并与人类评价结果高度一致。

本文研究了与人类评价相关的度量标准，并提出了新的度量标准MoBERT。通过人类评价发现，目前用于此任务的度量标准与人类判断相关性较低，而常用的度量标准和坐标误差与人类判断相关性较高。不推荐使用一些最近开发的度量标准。结果显示，MoBERT在样本级别和模型级别上与人类判断相关性高，优于当前所有替代方案。