論文の概要: BEACON: Balancing Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes
- arxiv url: http://arxiv.org/abs/2406.13714v1
- Date: Wed, 19 Jun 2024 17:14:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 18:45:06.733823
- Title: BEACON: Balancing Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes
- Title（参考訳）: BEACON:長期グループ勧告とマルチモーダルレシピの推論による食事の便宜と栄養のバランス
- Authors: Vansh Nagpal, Siva Likitha Valluru, Kausik Lakkaraju, Biplav Srivastava,
- Abstract要約: 本稿では,新しい食事レコメンデーション問題に対するデータ駆動型アプローチを提案する。
コントリビューションには、良心尺度、テキストからのレシピ変換方法、文脈的包帯を用いた学習方法が含まれる。
- 参考スコア（独自算出の注目度）: 4.441718631975636
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A common, yet regular, decision made by people, whether healthy or with any health condition, is to decide what to have in meals like breakfast, lunch, and dinner, consisting of a combination of foods for appetizer, main course, side dishes, desserts, and beverages. However, often this decision is seen as a trade-off between nutritious choices (e.g., low salt and sugar) or convenience (e.g., inexpensive, fast to prepare/obtain, taste better). In this preliminary work, we present a data-driven approach for the novel meal recommendation problem that can explore and balance choices for both considerations while also reasoning about a food's constituents and cooking process. Beyond the problem formulation, our contributions also include a goodness measure, a recipe conversion method from text to the recently introduced multimodal rich recipe representation (R3) format, and learning methods using contextual bandits that show promising results.
- Abstract（参考訳）: 健康でも健康でも、朝食、昼食、夕食など、食材、メインコース、サイドディッシュ、デザート、飲み物の組み合わせで何を食べるかを決めるのが一般的である。
しかし、この決定は栄養的な選択(例えば、低塩と砂糖)と利便性(例えば、安価で、短時間で準備し、味が良くなる)のトレードオフと見なされることが多い。
本稿では, 食品の成分や調理過程を推論しながら, 両者の選択肢を探索し, バランスをとることのできる, 新規な食事推薦問題に対するデータ駆動型アプローチを提案する。
問題の定式化以外にも、良性尺度、最近導入されたマルチモーダル・リッチ・レシピ表現(R3)フォーマットへのレシピ変換方法、有望な結果を示す文脈的バンディットを用いた学習方法などのコントリビューションも提供しています。
関連論文リスト
- 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) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - Cook-Gen: Robust Generative Modeling of Cooking Actions from Recipes [6.666528076345153]
食品計算モデルは、健康的な食事習慣を維持するのを助けることで、ますます人気が高まっている。
本研究では,調理行動を含む現在の食品計算モデルを拡張するための生成AI手法について検討する。
本稿では,レシピから調理動作を確実に生成する新しいアグリゲーションベースの生成AI手法であるCook-Genを提案する。
論文 参考訳（メタデータ） (2023-06-01T18:49:47Z) - MenuAI: Restaurant Food Recommendation System via a Transformer-based
Deep Learning Model [15.248362664235845]
本稿では,新しいレストラン料理推薦システムを提案する。
光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。
我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
論文 参考訳（メタデータ） (2022-10-15T11:45:44Z) - 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) - Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
食品ログから食品の嗜好を学習する手法を提案する。
提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
論文 参考訳（メタデータ） (2021-10-29T02:36:24Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Personalized Food Recommendation as Constrained Question Answering over
a Large-scale Food Knowledge Graph [16.58534326000209]
本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。
ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。
我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-01-05T20:38:16Z) - Tracing Complexity in Food Blogging Entries [0.0]
複雑性の概念と、それがTwitterのフードブログのエントリでどのように表現されるかに焦点を当てる。
複雑性は、栄養と健康に関する合理的な考察よりも、食品選択の不合理な決定要因であるヘドニズムを顕在化すると考えている。
論文 参考訳（メタデータ） (2020-07-10T18:13:48Z) - 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)
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。