Fugu-MT 論文翻訳(概要): The Proof is in the Pudding: Using Automated Theorem Proving to Generate Cooking Recipes

論文の概要: The Proof is in the Pudding: Using Automated Theorem Proving to Generate Cooking Recipes

arxiv url: http://arxiv.org/abs/2203.02683v1
Date: Sat, 5 Mar 2022 08:50:34 GMT
ステータス: 処理完了
システム内更新日: 2022-03-10 07:07:57.970554
Title: The Proof is in the Pudding: Using Automated Theorem Proving to Generate Cooking Recipes
Title（参考訳）: この証明はプディングにある:自動定理証明を使って料理のレシピを生成する
Authors: Louis Mahon and Carl Vogel
Abstract要約: 本稿では,レシピ作成のためのルールベース自然言語生成プログラムであるFASTFOODを提案する。レシピは、自動定理証明手順を使用して、成分と指示を選択し、公理と含意に対する指示に対応する。 FASTFOODには時間的最適化モジュールも含まれている。
参考スコア（独自算出の注目度）: 4.281959480566437
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents FASTFOOD, a rule-based Natural Language Generation Program for cooking recipes. Recipes are generated by using an Automated Theorem Proving procedure to select the ingredients and instructions, with ingredients corresponding to axioms and instructions to implications. FASTFOOD also contains a temporal optimization module which can rearrange the recipe to make it more time-efficient for the user, e.g. the recipe specifies to chop the vegetables while the rice is boiling. The system is described in detail, using a framework which divides Natural Language Generation into 4 phases: content production, content selection, content organisation and content realisation. A comparison is then made with similar existing systems and techniques.
Abstract（参考訳）: 本稿では,料理レシピのルールに基づく自然言語生成プログラムであるfastfoodを提案する。レシピは、成分と指示を自動定理証明手順を用いて選択し、公理と意味の指示に対応する成分で作成する。 FASTFOODはまた、時間的最適化モジュールも備えており、レシピが炊飯中に野菜を刻むことを規定するなど、レシピを再構成してより時間効率を高めることができる。このシステムは、自然言語生成をコンテンツ生成、コンテンツ選択、コンテンツ組織、コンテンツ実現の4つのフェーズに分割するフレームワークを用いて詳細に記述されている。次に、同様の既存のシステムと技術で比較する。

関連論文リスト

Retrieval Augmented Recipe Generation [96.43285670458803]
本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
論文参考訳（メタデータ） (2024-11-13T15:58:50Z)
PizzaCommonSense: Learning to Model Commonsense Reasoning about Intermediate Steps in Cooking Recipes [7.839338724237275]
レシピを効果的に推論するモデルは、レシピ内の中間ステップの入力と出力を正確に識別し、理解する必要がある。そこで本研究では,各工程の入力と出力を記述した中間ステップを記述した料理レシピの新たなコーパスを提案する。
論文参考訳（メタデータ） (2024-01-12T23:33:01Z)
Monte Carlo Tree Search for Recipe Generation using GPT-2 [0.8057006406834466]
モンテカルロ木探索(MCTS)を利用したGPT-2を用いたテキスト生成手法であるRecipeMCを提案する。 RecipeMCにより、報酬関数を定義し、テキスト生成にソフト制約を課し、生成したレシピの信頼性を向上させることができる。以上の結果から,ヒト評価者はRecipeMCで生成したレシピを,他のベースライン法で生成したレシピよりも好んでいることがわかった。
論文参考訳（メタデータ） (2024-01-10T14:50:46Z)
Large Language Models as Sous Chefs: Revising Recipes with GPT-3 [56.7155146252028]
我々は、複雑で多様で広く使われている指示の例としてレシピに焦点を当てている。我々は、レシピと材料リストに基づいたプロンプトを開発し、レシピをより単純なステップに分解する。また,レシピリビジョンの品質の人的判断を収集しながら,疲労軽減を念頭に設計したAmazon Mechanical Turkタスクにも貢献する。
論文参考訳（メタデータ） (2023-06-24T14:42:43Z)
Counterfactual Recipe Generation: Exploring Compositional Generalization in a Realistic Scenario [60.20197771545983]
本研究では,材料の変化に応じて基本レシピを変更するようモデルに依頼する,反現実的なレシピ生成タスクを設計する。料理の知識を学習するモデルのために、中国語で大規模なレシピデータセットを収集する。その結果、既存のモデルでは原文のスタイルを保ちながら素材の変更が困難であり、調整が必要なアクションを見逃すことがしばしばあった。
論文参考訳（メタデータ） (2022-10-20T17:21:46Z)
Assistive Recipe Editing through Critiquing [34.1050269670062]
RecipeCritは階層的な自動エンコーダで、材料レベルの批判をレシピで編集する。私たちの研究の主な革新は、ユーザーが予測された材料と対話することでレシピを編集できる教師なしのクオリティリングモジュールです。
論文参考訳（メタデータ） (2022-05-05T05:52:27Z)
Learning Structural Representations for Recipe Generation and Food Retrieval [101.97397967958722]
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-10-04T06:36:31Z)
Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
論文参考訳（メタデータ） (2020-09-02T10:54:25Z)
Decomposing Generation Networks with Structure Prediction for Recipe Generation [142.047662926209]
本稿では,構造予測を伴うDGN(Decomposing Generation Networks)を提案する。具体的には,調理指導を複数のフェーズに分割し,各フェーズに異なるサブジェネレータを割り当てる。提案手法は, (i) 大域的構造予測成分を用いてレシピ構造を学習し, (ii) 予測された構造に基づいてサブジェネレータ出力成分でレシピ相を生成するという2つの新しいアイデアを含む。
論文参考訳（メタデータ） (2020-07-27T08:47:50Z)
A Named Entity Based Approach to Model Recipes [9.18959130745234]
本稿では,この一様構造におけるレシピの最良の表現を推論するパイプラインだけでなく,レシピを正確に表現できる構造を提案する。レシピのingredientsセクションは通常、必要な材料と、量、温度、処理状態などの対応する属性をリストアップする。指示部は、これらの器具や具材に調理技術や工程を適用する一連の事象を列挙する。
論文参考訳（メタデータ） (2020-04-25T16:37:26Z)
RecipeGPT: Generative Pre-training Based Cooking Recipe Generation and Evaluation System [29.150333060513177]
本稿では,新しいオンラインレシピ生成・評価システムであるRecipeGPTを紹介する。システムは、所定のレシピタイトルと材料からの指示生成と、レシピタイトルと調理指示からの材料生成の2つのモードを提供する。バックエンドテキスト生成モジュールは、大規模な調理レシピデータセットに基づいて微調整された生成事前学習言語モデルGPT-2を備える。
論文参考訳（メタデータ） (2020-03-05T09:25:30Z)

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。