論文の概要: Hybrid consistency and plausibility verification of product data
according to FIC
- arxiv url: http://arxiv.org/abs/2102.02665v1
- Date: Wed, 3 Feb 2021 11:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:45:46.479741
- Title: Hybrid consistency and plausibility verification of product data
according to FIC
- Title(参考訳): FICによる製品データのハイブリッド一貫性と妥当性検証
- Authors: Christian Schorr
- Abstract要約: EUにおける食品のラベル付けは、FIC(Food Information of Customers)によって規制されている。
FIC要求に応じて栄養素宣言とアレルゲンラベリングを検証するために,ルールベースと機械学習のハイブリッドアプローチを提案する。
その結果、製品の成分のサブセットでトレーニングされたニューラルネットは、高い信頼性を持つアレルゲン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): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The labelling of food products in the EU is regulated by the Food Information
of Customers (FIC). Companies are required to provide the corresponding
information regarding nutrients and allergens among others. With the rise of
e-commerce more and more food products are sold online. There are often errors
in the online product descriptions regarding the FIC-relevant information due
to low data quality in the vendors' product data base. In this paper we propose
a hybrid approach of both rule-based and machine learning to verify nutrient
declaration and allergen labelling according to FIC requirements. Special focus
is given to the problem of false negatives in allergen prediction since this
poses a significant health risk to customers. Results show that a neural net
trained on a subset of the ingredients of a product is capable of predicting
the allergens contained with a high reliability.
- Abstract(参考訳): EUの食品のラベルは、顧客の食品情報(FIC)によって規制されています。
企業は栄養素やアレルゲンなどについて対応する情報を提供する必要がある。
電子商取引の興隆に伴い、より多くの食品がオンラインで販売されるようになった。
FIC関連情報に関するオンライン製品記述には、ベンダーの製品データベースにおけるデータ品質が低いため、しばしば誤りがある。
本稿では,FIC要求に応じて栄養素宣言とアレルゲンラベリングを検証するために,ルールベースと機械学習のハイブリッドアプローチを提案する。
これは顧客に重大な健康リスクをもたらすため、アレルゲン予測における偽陰性の問題に特に重点が置かれています。
結果は、製品の成分のサブセットで訓練されたニューラルネットワークが、高い信頼性を含むアレルゲンを予測できることを示しています。
関連論文リスト
- Multi-criteria recommendation systems to foster online grocery [0.0]
製品を推薦する目的は、特定の製品の最も適切な指定を指定することである。
本稿では,2つの文書表現法であるback-of-words(BOW)と,ベクトルベース(Doc2Vec)と呼ばれるニューラルネットワークベースのドキュメントの組み合わせを用いて,製品データを変換する。
評価のために,各文書表現法におけるこれらの3つの基準の性能を比較し,ニューラルネットワーク(Doc2Vec)の性能が向上し,結果が完全に変更されたことを発見した。
論文 参考訳(メタデータ) (2023-12-12T17:40:16Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳(メタデータ) (2023-11-20T11:05:20Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - QI2 -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
欧州委員会による計画されたAI法では、データ品質に関する法的要件が規定されている。
複数のデータ品質面におけるデータ品質保証プロセスをサポートする新しいアプローチを導入する。
論文 参考訳(メタデータ) (2023-07-07T07:06:38Z) - UMDFood: Vision-language models boost food composition compilation [26.5694236976957]
本稿では, 食品組成プロファイルを正確に推定するために, フロント・オブ・パッケージ・ラベリングと製品画像を用いた新しい視覚言語モデル, UMDFood-VLを提案する。
化学分析結果とモデル推定結果の誤差の最大82.2%は10%未満である。
この性能は、他の食品および栄養関連データコンパイルと触媒化への一般化に光を当てている。
論文 参考訳(メタデータ) (2023-05-18T03:18:12Z) - Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。
米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。
提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
論文 参考訳(メタデータ) (2022-06-05T02:41:44Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z) - Food safety risk prediction with Deep Learning models using categorical
embeddings on European Union data [1.4502611532302039]
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。
論文 参考訳(メタデータ) (2020-09-14T19:36:58Z) - When Text Simplification Is Not Enough: Could a Graph-Based
Visualization Facilitate Consumers' Comprehension of Dietary Supplement
Information? [20.150337698638467]
複雑な医療ジャーゴンは消費者の理解の障壁である。
被験者を募集し,iDISKと4つの異なる表現で栄養補助情報を読み取らせた。
手動のアプローチは精度と応答時間の両方で最高のパフォーマンスを示した。
論文 参考訳(メタデータ) (2020-07-05T13:27:16Z) - 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。