多くの先行研究は，ビデオの時間機構を利用した全文タスクを設計する方法を模索してきた．本論文内の手法では映画や映画のための映像表現を学習することを目的とて，空間領域をマスクし動画中の空間配置を学習している．

本手法を導入した結果VidSituベンチマークにおいて，本自己教師付き事前学習が，すべてのタスクがメトリクスで性能が向上した．(例：意味役割予測でCIDErスコア47%から61%に改善) LVUタスクにおいて，応じたイベント特徴を単独で用いた場合とインスタンス特徴と組み合わせた場合の有効性，補完性を示した．

【なぜ通ったか?の考察】 本手法が，映画理解タスクの最初のベースラインとして機能し，新たな研究を生む可能性を示している． 【添付した画像について】 本手法で紹介されているhierarchical pretraining methodの全体像．