論文の概要: Where to Build Food Banks and Pantries: A Two-Level Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2410.15420v1
• Date: Sun, 20 Oct 2024 15:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:20:15.092250
• Title: Where to Build Food Banks and Pantries: A Two-Level Machine Learning Approach
• Title（参考訳）: 食品バンクとパントリーの作り方:二段階の機械学習アプローチ
• Authors: Gavin Ruan, Ziqi Guo, Guang Lin,
• Abstract要約: 4400万人のアメリカ人が食料不足に苦しんでおり、そのうち1300万人が子供だ。 食料銀行とパントリーの場所を最適化することで、必死にそれを必要とする家族にとって、食料はよりアクセスしやすくなった。
• 参考スコア（独自算出の注目度）: 5.373182035720355
• License:
• Abstract: Over 44 million Americans currently suffer from food insecurity, of whom 13 million are children. Across the United States, thousands of food banks and pantries serve as vital sources of food and other forms of aid for food insecure families. By optimizing food bank and pantry locations, food would become more accessible to families who desperately require it. In this work, we introduce a novel two-level optimization framework, which utilizes the K-Medoids clustering algorithm in conjunction with the Open-Source Routing Machine engine, to optimize food bank and pantry locations based on real road distances to houses and house blocks. Our proposed framework also has the adaptability to factor in considerations such as median household income using a pseudo-weighted K-Medoids algorithm. Testing conducted with California and Indiana household data, as well as comparisons with real food bank and pantry locations showed that interestingly, our proposed framework yields food pantry locations superior to those of real existing ones and saves significant distance for households, while there is a marginal penalty on the first level food bank to food pantry distance. Overall, we believe that the second-level benefits of this framework far outweigh any drawbacks and yield a net benefit result.
• Abstract（参考訳）: 現在4400万人以上のアメリカ人が食料不足に苦しんでおり、そのうち1300万人が子供だ。 アメリカ合衆国全土では、何千もの食料銀行やパントリーが食品の重要な供給源であり、食料の安全を損なう家族の助けになっている。 食料銀行とパントリーの場所を最適化することで、必死にそれを必要とする家族にとって、食料はよりアクセスしやすくなった。 本研究では,K-MedoidsクラスタリングアルゴリズムとOpen-Source Routing Machineエンジンを併用した新しい2段階最適化フレームワークを提案する。 提案手法は, 擬似重み付きK-メドイドスアルゴリズムを用いて, 中央値世帯所得などの要因への適応性も持つ。 カリフォルニア州とインディアナ州の家庭データと、実際の食品銀行やパントリーとの比較により、我々の提案した枠組みは、食品パントリーの場所を、実際の食品バンクよりも優れ、家庭にとってかなりの距離を節約し、食品パントリー距離に対する第一級食品バンクには限界ペナルティがあることが興味深い。 全体として、このフレームワークの第二段階の利点は欠点をはるかに上回り、純利益をもたらすと信じています。

関連論文リスト

• Cyber Food Swamps: Investigating the Impacts of Online-to-Offline Food Delivery Platforms on Healthy Food Choices [8.68050552945013]
  オンラインフードデリバリープラットフォームがユーザーの健康的な食品選択に与える影響は、まだ不明である。 男性、低所得者、若年者、大都市にいる者は、O2Oプラットフォームを介してファーストフードを注文する傾向にある。 ファーストフードの注文の比率が高いのは「サイバーフード湿地」であり、アクセス可能なファーストフードレストランの比率が高いことが特徴である。
  論文  参考訳（メタデータ） (2024-09-25T03:54:33Z)
• 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)
• Automating Food Drop: The Power of Two Choices for Dynamic and Fair Food Allocation [51.687404103375506]
  私たちはインディアナ州の非営利組織とパートナーし、EmphFood Dropというプログラムを率いています。 このパートナーシップの目標は、Food Dropを完全に自動化することにあります。 そのためには、食品を受け取った食品銀行の公正性の確保と、トラック運転手の効率の最適化を両立させるために、リアルタイムな意思決定を行うためのマッチングアルゴリズムが必要である。
  論文  参考訳（メタデータ） (2024-06-10T15:22:41Z)
• 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)
• From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
  DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。 これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
  論文  参考訳（メタデータ） (2024-03-12T08:32:23Z)
• Mining Discriminative Food Regions for Accurate Food Recognition [16.78437844398436]
  本稿では,入力画像の分類の精度を一次ネットワークが維持する新しいネットワークアーキテクチャを提案する。 補助ネットワークは、識別食品地域を敵対的にマイニングし、地域ネットワークは、その結果のマイニング地域を分類する。 提案アーキテクチャは、PAR-Netと表現され、エンドツーエンドのトレーニングが可能で、オンライン方式で識別領域をハイライトする。
  論文  参考訳（メタデータ） (2022-07-08T05:09:24Z)
• A Mobile Food Recognition System for Dietary Assessment [6.982738885923204]
  我々は,生活支援のための食品認識アプリケーションの開発に焦点をあてる。 このタスクにMobilenet-v2アーキテクチャを使うことは、正確性とメモリ使用量の両方において有益である。 開発されたモバイルアプリケーションは、画像を介して自動食品認識において視覚障害者に役立てる可能性がある。
  論文  参考訳（メタデータ） (2022-04-20T12:49:36Z)
• An Intelligent Passive Food Intake Assessment System with Egocentric Cameras [14.067860492694251]
  栄養失調は低所得国(LMIC)の主要な公衆衛生問題である 我々は,エゴセントリックカメラを用いた知的受動的摂食評価システムの実装を提案する。 摂取量を確実に監視し、ユーザの食行動にフィードバックを与えることができます。
  論文  参考訳（メタデータ） (2021-05-07T09:47:51Z)
• 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)

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。