論文の概要: Food safety risk prediction with Deep Learning models using categorical
embeddings on European Union data
- arxiv url: http://arxiv.org/abs/2009.06704v1
- Date: Mon, 14 Sep 2020 19:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 11:23:15.988547
- Title: Food safety risk prediction with Deep Learning models using categorical
embeddings on European Union data
- Title(参考訳): euデータへのカテゴリ埋め込みを用いた深層学習モデルによる食品安全リスク予測
- Authors: Alberto Nogales, Rodrigo D\'iaz Mor\'on, \'Alvaro J. Garc\'ia-Tejedor
- Abstract要約: 欧州連合(EU)は1977年に、国境を越えた監視を確保するため、取引された商品に関する不規則事項を登録し始めた。
食品問題に関連するデータは、将来の通知のいくつかの機能を予測するために、機械学習技術によって取り除かれ分析された。
その結果,74.08%から93.06%の精度でこれらの特徴を予測できることがわかった。
- 参考スコア(独自算出の注目度): 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The world is becoming more globalized every day and people can buy products
from almost every country in the world in their local stores. Given the
different food and feed safety laws from country to country, the European Union
began to register in 1977 all irregularities related to traded products to
ensure cross-border monitoring of information and a quick reaction when risks
to public health are detected in the food chain. This information has also an
enormous potential as a preventive tool, in order to warn actors involved in
food safety and optimize their resources. In this paper, a set of data related
to food issues was scraped and analysed with Machine Learning techniques to
predict some features of future notifications, so that pre-emptive measures can
be taken. The novelty of the work relies on two points: the use of categorical
embeddings with Deep Learning models (Multilayer Perceptron and 1-Dimension
Convolutional Neural Networks) and its application to solve the problem of
predicting food issues in the European Union. The models allow several features
to be predicted: product category, hazard category and finally the proper
action to be taken. Results show that the system can predict these features
with an accuracy ranging from 74.08% to 93.06%.
- Abstract(参考訳): 世界は日々グローバル化しており、人々は世界中のほぼすべての国の製品を地元の店で購入することができる。
国ごとに異なる食品および飼料の安全法を考えると、1977年に欧州連合は、貿易商品に関するすべての不規則を登録し、食品連鎖で公衆衛生へのリスクが検出された場合に、情報と迅速な反応の相互監視を確実にした。
この情報はまた、食品安全に関わる関係者に警告し、資源を最適化するために、予防ツールとして大きな可能性を秘めている。
本稿では,食品問題に関する一連のデータをスクレイプし,機械学習技術を用いて分析し,今後の通知機能を予測することにより,先制措置がとれるようにした。
この研究の斬新さは、Deep Learningモデル(多層パーセプトロンと1次元畳み込みニューラルネットワーク)による分類的埋め込みの使用と、欧州連合における食品問題を予測するためのその応用の2点に依拠している。
モデルでは、製品カテゴリ、ハザードカテゴリ、最終的に適切なアクションなど、いくつかの機能を予測できる。
その結果,74.08%から93.06%の精度でこれらの特徴を予測できることがわかった。
関連論文リスト
- Forecasting Trends in Food Security: a Reservoir Computing Approach [0.8437187555622164]
我々は、マリ、ナイジェリア、シリア、イエメンの4カ国で、60日間連続して食料消費の水準を予測するための新しい定量的方法論を提案する。
この手法は、World Food Programmeのグローバル飢餓監視システムから入手可能なデータに基づいて構築されている。
論文 参考訳(メタデータ) (2023-12-01T14:42:37Z) - Revolutionizing Global Food Security: Empowering Resilience through
Integrated AI Foundation Models and Data-Driven Solutions [8.017557640367938]
本稿では,食品セキュリティアプリケーションにおけるAIファンデーションモデルの統合について検討する。
本研究は, 収穫型マッピング, 耕作地マッピング, フィールドデライン化, 収穫量予測における利用状況について検討した。
論文 参考訳(メタデータ) (2023-10-31T09:15:35Z) - Revolutionizing Agrifood Systems with Artificial Intelligence: A Survey [93.34268594812599]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳(メタデータ) (2023-05-03T05:16:54Z) - TWEET-FID: An Annotated Dataset for Multiple Foodborne Illness Detection
Tasks [14.523433519237607]
食中毒は深刻なが予防可能な公衆衛生上の問題である。
効果的なアウトブレイク検出モデルを開発するためにラベル付きデータセットが不足している。
TWEET-FIDは、食品性疾患検出タスクのための、初めて公開された注釈付きデータセットである。
論文 参考訳(メタデータ) (2022-05-22T03:47:18Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳(メタデータ) (2022-05-20T21:15:26Z) - Fine-grained prediction of food insecurity using news streams [9.04748106111465]
深層学習の最近の進歩を活用して,1980年から2020年にかけて発行されたニュース記事から,食品危機に対する高周波前駆体を抽出する。
私たちのテキスト機能は、既存のデータによって因果的に基礎付けられ、解釈可能で、検証され、既存のモデルよりも32%の食糧危機を予測できます。
論文 参考訳(メタデータ) (2021-11-17T17:35:00Z) - Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。
いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。
我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
論文 参考訳(メタデータ) (2021-08-25T15:49:10Z) - Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。
食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。
食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文 参考訳(メタデータ) (2021-07-13T06:26:53Z) - ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked
Global-Local Attention Network [50.7720194859196]
ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。
このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。
食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
論文 参考訳(メタデータ) (2020-08-13T02:48:27Z) - Cross-Modal Food Retrieval: Learning a Joint Embedding of Food Images
and Recipes with Semantic Consistency and Attention Mechanism [70.85894675131624]
画像とレシピを共通の特徴空間に埋め込み、対応する画像とレシピの埋め込みが互いに近接するように学習する。
本稿では,2つのモダリティの埋め込みを正規化するためのセマンティック・一貫性とアテンション・ベース・ネットワーク(SCAN)を提案する。
食品画像や調理レシピの最先端のクロスモーダル検索戦略を,かなりの差で達成できることが示される。
論文 参考訳(メタデータ) (2020-03-09T07:41:17Z) - Multi-Source Deep Domain Adaptation for Quality Control in Retail Food
Packaging [8.640786765448132]
マルチソース深層学習に基づくドメイン適応システムを提案する。
提案システムは実験で非常によく機能した。
論文 参考訳(メタデータ) (2020-01-28T14:16:58Z)
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。