論文の概要: FoodPuzzle: Developing Large Language Model Agents as Flavor Scientists

• arxiv url: http://arxiv.org/abs/2409.12832v2
• Date: Mon, 7 Oct 2024 01:26:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 13:10:09.758826
• Title: FoodPuzzle: Developing Large Language Model Agents as Flavor Scientists
• Title（参考訳）: FoodPuzzle:フレーバー科学者として大規模言語モデルエージェントを開発する
• Authors: Tenghao Huang, Donghee Lee, John Sweeney, Jiatong Shi, Emily Steliotes, Matthew Lange, Jonathan May, Muhao Chen,
• Abstract要約: 本稿では,フレーバープロファイルの抽出と理解のための仮説の創出として概念化されたフレーバーサイエンスにおける科学エージェントのための新しい問題領域を提案する。 そこで本研究では,テキスト内学習と検索技術を統合したScientific Agentアプローチを提案する。 実験結果から,フレーバープロファイル予測タスクにおいて,本モデルが従来の手法をはるかに上回っていることが示唆された。
• 参考スコア（独自算出の注目度）: 51.97629078968826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Flavor development in the food industry is increasingly challenged by the need for rapid innovation and precise flavor profile creation. Traditional flavor research methods typically rely on iterative, subjective testing, which lacks the efficiency and scalability required for modern demands. This paper presents three contributions to address the challenges. Firstly, we define a new problem domain for scientific agents in flavor science, conceptualized as the generation of hypotheses for flavor profile sourcing and understanding. To facilitate research in this area, we introduce the FoodPuzzle, a challenging benchmark consisting of 978 food items and 1,766 flavor molecules profiles. We propose a novel Scientific Agent approach, integrating in-context learning and retrieval augmented techniques to generate grounded hypotheses in the domain of food science. Experimental results indicate that our model significantly surpasses traditional methods in flavor profile prediction tasks, demonstrating its potential to transform flavor development practices.
• Abstract（参考訳）: 食品産業におけるフレーバー開発は、急速な革新と正確なフレーバープロファイルの作成の必要性により、ますます困難になってきている。 伝統的なフレーバー研究手法は、一般的に反復的で主観的なテストに依存しており、現代の需要に必要とされる効率性とスケーラビリティを欠いている。 本稿では,課題に対処するための3つの貢献について述べる。 まず、フレーバー・サイエンスにおける科学的エージェントのための新しい問題領域を定義し、フレーバー・プロファイルのソーシングと理解のための仮説の生成を概念化した。 この領域の研究を容易にするために,978個の食品と1,766個のフレーバー分子プロファイルからなる挑戦的なベンチマークであるFoodPuzzleを紹介した。 本稿では,食品科学分野における基礎仮説を生成するために,文脈内学習と検索技術を統合した新しい科学エージェント手法を提案する。 実験結果から,フレーバーモデルがフレーバープロファイル予測タスクの従来の手法をはるかに上回り,フレーバー開発プラクティスを変革する可能性が示された。

関連論文リスト

• A topological analysis of the space of recipes [0.0]
  本稿では、料理レシピの空間を研究するために、トポロジカルデータ分析、特に永続的ホモロジーの利用を紹介する。 特に、永続的ホモロジー分析は、既存のレシピの空間におけるマルチスケールの「穴」を取り巻く一連のレシピを提供する。
  論文  参考訳（メタデータ） (2024-06-12T01:28:16Z)
• Understanding the Limitations of Diffusion Concept Algebra Through Food [68.48103545146127]
  潜伏拡散モデルは バイアスと概念の関係に 重要な洞察を与えます 食品分野は、複雑な組成と地域バイアスを通じて、ユニークな課題を提供する。 我々は、料理の多様性のニュアンスを捉え、表現するモデルの能力に関する測定可能な洞察を明らかにする。
  論文  参考訳（メタデータ） (2024-06-05T18:57:02Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• 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)
• Extracting chemical food safety hazards from the scientific literature automatically using large language models [0.0]
  食品安全の専門家は、食品の安全性と食品連鎖における危険の発生に関するすべての文献を読むことは不可能である。 食品安全の専門家が最新の発見を認識し、容易かつ簡潔な方法でこの情報にアクセスできることが重要である。 本研究では, 大規模言語モデルを用いて, 科学的文献から化学物質を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T08:02:10Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。 科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• FIRE: Food Image to REcipe generation [10.45344523054623]
  フードコンピューティングは、食品画像のレシピ情報を自律的に生成できるエンドツーエンドのインテリジェントシステムを開発することを目的としている。 本稿では,食品コンピューティング分野におけるレシピ生成に適した新しい手法であるFIREを提案する。 本稿では、FIREと大規模言語モデルのプロンプトを統合することの恩恵を享受できる2つの実用的なアプリケーションを紹介する。
  論文  参考訳（メタデータ） (2023-08-28T08:14:20Z)
• 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)
• SciMON: Scientific Inspiration Machines Optimized for Novelty [68.46036589035539]
  文献に基づく新たな科学的方向を生成するために,ニューラルランゲージモデルを探索し,拡張する。 モデルが入力背景コンテキストとして使用される新しい設定で、劇的な出発をとっています。 本稿では,過去の科学的論文から「吸入」を抽出するモデリングフレームワークであるSciMONを紹介する。
  論文  参考訳（メタデータ） (2023-05-23T17:12:08Z)
• A new Reinforcement Learning framework to discover natural flavor molecules [0.0]
  本研究は,フレーバー工学と産業の新たな課題に取り組むための,Scientific Machine Learningに基づく新しいフレームワークを提案する。 これらの分子は、合成アクセシビリティ、原子の数、自然または擬似自然生成物への類似性について評価される。
  論文  参考訳（メタデータ） (2022-09-13T10:12:45Z)

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。