論文の概要: Cost of Dietary Data Acquisition with Smart Group Catering

• arxiv url: http://arxiv.org/abs/2001.00367v1
• Date: Thu, 2 Jan 2020 09:25:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 03:40:21.454798
• Title: Cost of Dietary Data Acquisition with Smart Group Catering
• Title（参考訳）: スマートグループキャタリングによる食事データ取得のコスト
• Authors: Jiapeng Dong and Pengju Wang and Weiqiang Sun
• Abstract要約: 食事データ管理の必要性は、食事摂取に対する認識が高まりつつある。 どちらの場合も人的労働が関与するため、データ品質には人的力の割り当てが不可欠である。 本稿では,食生活データの品質と投資マンパワーの関係について検討した。
• 参考スコア（独自算出の注目度）: 4.511923587827301
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The need for dietary data management is growing with public awareness of food intakes. As a result, there are increasing deployments of smart canteens where dietary data is collected through either Radio Frequency Identification (RFID) or Computer Vision(CV)-based solutions. As human labor is involved in both cases, manpower allocation is critical to data quality. Where manpower requirements are underestimated, data quality is compromised. This paper has studied the relation between the quality of dietary data and the manpower invested, using numerical simulations based on real data collected from multiple smart canteens. We found that in both RFID and CV-based systems, the long-term cost of dietary data acquisition is dominated by manpower. Our study provides a comprehensive understanding of the cost composition for dietary data acquisition and useful insights toward future cost effective systems.
• Abstract（参考訳）: 食事データ管理の必要性は、食事摂取に対する認識が高まりつつある。 その結果、RFID(Radio Frequency Identification)またはCV(Computer Vision)ベースのソリューションを通じて食事データを収集するスマートキャンティーンの展開が増加している。 どちらの場合も人的労働が関与するため、データ品質には人的力の割り当てが不可欠である。 マンパワー要件が過小評価されている場合、データ品質は損なわれる。 本稿では,複数のスマート缶から収集した実データに基づく数値シミュレーションを用いて,食事データの品質と投資マンパワーの関係について検討した。 RFIDとCVベースのシステムでは,食事データ取得の長期的コストは人力に支配されていることがわかった。 本研究は、食事データ取得におけるコスト構成の包括的理解と、将来のコスト効果システムに対する有用な洞察を提供する。

関連論文リスト

• MetaFood3D: Large 3D Food Object Dataset with Nutrition Values [53.24500333363066]
  このデータセットは、詳細な栄養情報、体重、および包括的栄養データベースに関連付けられた食品コードを含む、108カテゴリにわたる637の細かな3D食品オブジェクトから成っている。 実験の結果、我々のデータセットがアルゴリズムの性能を向上させる重要な可能性を実証し、ビデオキャプチャと3Dスキャンされたデータの間の困難さを強調し、高品質なデータ生成、シミュレーション、拡張におけるMetaFood3Dデータセットの強みを示した。
  論文  参考訳（メタデータ） (2024-09-03T15:02:52Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• Copycats: the many lives of a publicly available medical imaging dataset [12.98380178359767]
  医療画像(MI)データセットは、医療における人工知能の基本である。 MIデータセットは以前はプロプライエタリだったが、KaggleやHuggingFaceといったコミュニティに分散したプラットフォーム(CCP)など、徐々に一般向けに利用されるようになった。 オープンデータは、データの公開価値の再分配を促進するために重要であるが、現在のCCPガバナンスモデルは、データセットの共有、文書化、評価に必要な品質と推奨のプラクティスを維持できない。
  論文  参考訳（メタデータ） (2024-02-09T12:01:22Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• Transforming Agriculture with Intelligent Data Management and Insights [3.027257459810039]
  現代の農業は、気候変動と天然資源の枯渇の制約の下で、食料、燃料、飼料、繊維の需要の増加に対応するための大きな課題に直面している。 データ革新は、アグロエコシステムの生産性、持続可能性、レジリエンスの確保と改善に緊急に必要です。
  論文  参考訳（メタデータ） (2023-11-07T22:02:54Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• rWISDM: Repaired WISDM, a Public Dataset for Human Activity Recognition [0.0]
  HAR(Human Activity Recognition)は、医療、運動競技、スマートシティ、スマートホームといった様々な分野に応用されているため、近年の科学的研究において注目されている。 本稿では,他の研究者が公開データセットに類似した問題を同定し,修正する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T13:55:50Z)
• How Much More Data Do I Need? Estimating Requirements for Downstream Tasks [99.44608160188905]
  小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か? データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。 本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
  論文  参考訳（メタデータ） (2022-07-04T21:16:05Z)
• Data Smells in Public Datasets [7.1460275491017144]
  我々は、機械学習システムにおける問題の早期兆候を示すために使用できる、新しいデータ臭いのカタログを紹介する。 データセットにおけるデータ品質の問題の頻度を理解するために、25の公開データセットを分析し、14のデータ臭いを特定します。
  論文  参考訳（メタデータ） (2022-03-15T15:44:20Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)
• From Data to Knowledge to Action: A Global Enabler for the 21st Century [26.32590947516587]
  コンピュータと数理科学の進歩が相まって、真の証拠に基づく意思決定を可能にする前例のない能力がもたらされた。 これらの機能は、データの大規模なキャプチャと、そのデータの洞察とレコメンデーションへの変換を可能にする。 商業、科学、教育、芸術、エンターテイメントのWebへの移行により、人間の活動に関する構造化された、非構造化されたデータベースが、これまで例のない量で利用可能になった。
  論文  参考訳（メタデータ） (2020-07-31T19:19:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。