論文の概要: Identifying and Decomposing Compound Ingredients in Meal Plans Using Large Language Models
- arxiv url: http://arxiv.org/abs/2411.05892v1
- Date: Fri, 08 Nov 2024 12:38:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:12:33.612706
- Title: Identifying and Decomposing Compound Ingredients in Meal Plans Using Large Language Models
- Title(参考訳): 大規模言語モデルを用いた食事計画における成分成分の同定と分解
- Authors: Leon Kopitar, Leon Bedrac, Larissa J Strath, Jiang Bian, Gregor Stiglic,
- Abstract要約: 本研究では, 食事計画における大規模言語モデルの有効性について検討し, 複合成分の識別・分解能力に着目した。
GPT-4o, Llama-3 (70b), Mixtral (8x7b) の3種類のモデルを用いて, 複合成分の認識・分解能力の評価を行った。
予備的な結果は、Llama-3 (70b) と GPT-4o が正確な分解に優れているのに対して、全てのモデルは調味料や油などの必須成分を同定することが困難であることを示している。
- 参考スコア(独自算出の注目度): 6.477074442920329
- License:
- Abstract: This study explores the effectiveness of Large Language Models in meal planning, focusing on their ability to identify and decompose compound ingredients. We evaluated three models-GPT-4o, Llama-3 (70b), and Mixtral (8x7b)-to assess their proficiency in recognizing and breaking down complex ingredient combinations. Preliminary results indicate that while Llama-3 (70b) and GPT-4o excels in accurate decomposition, all models encounter difficulties with identifying essential elements like seasonings and oils. Despite strong overall performance, variations in accuracy and completeness were observed across models. These findings underscore LLMs' potential to enhance personalized nutrition but highlight the need for further refinement in ingredient decomposition. Future research should address these limitations to improve nutritional recommendations and health outcomes.
- Abstract(参考訳): 本研究では, 食事計画における大規模言語モデルの有効性について検討し, 複合成分の識別・分解能力に着目した。
GPT-4o, Llama-3 (70b), Mixtral (8x7b) の3種類のモデルを用いて, 複合成分の認識・分解能力の評価を行った。
予備的な結果は、Llama-3 (70b) と GPT-4o が正確な分解に優れているのに対して、全てのモデルは調味料や油などの必須成分を同定することが困難であることを示している。
全体的な性能は高いが、精度と完全性のばらつきはモデル間で観測された。
これらの知見は、パーソナライズされた栄養を増強するLSMsの可能性を示しているが、成分分解のさらなる改善の必要性を強調している。
今後の研究は、これらの制限に対処し、栄養レコメンデーションと健康的な結果を改善するべきである。
関連論文リスト
- FlavorDiffusion: Predicting Food Pairings and Chemical Interactions Using Diffusion Models [0.0]
本稿では,フレーバー拡散モデルを用いた食品化学相互作用と成分ペアリングの予測手法を提案する。
グラフベースの埋め込み、拡散プロセス、化学特性の符号化を統合することで、FravorDiffusionはデータの不均衡に対処し、クラスタリングの品質を高める。
提案する枠組みは, 食品科学におけるスケーラブルで解釈可能な, 化学的に情報を得たソリューションを提供する, 計算ガストロノミーにおける重要な一歩である。
論文 参考訳(メタデータ) (2025-02-08T06:47:27Z) - MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。
我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。
ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
論文 参考訳(メタデータ) (2024-12-12T01:02:09Z) - 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) - FoodMLLM-JP: Leveraging Multimodal Large Language Models for Japanese Recipe Generation [30.349846688239293]
オープンMLLMのLLaVA-1.5とPhi-3 Visionを日本のレシピデータセット上で微調整し,その性能をGPT-4oと比較した。
本評価は,レシピデータに基づいて学習したオープンモデルが,現在の最先端モデルであるGPT-4oを材料生成において上回っていることを示す。
論文 参考訳(メタデータ) (2024-09-27T05:43:22Z) - Optimizing Ingredient Substitution Using Large Language Models to Enhance Phytochemical Content in Recipes [0.0]
本研究では,レシピの成分置換を最適化するために,大規模言語モデル (LLM) をどのように適用できるかを検討する。
OpenAIのGPT-3.5、DaVinci、MetaのTinyLlamaといったモデルを、成分置換データセットを使用して微調整しました。
これらの置換により、1,951の植物化学的に濃縮された成分ペアリングと1,639のユニークなレシピが作られた。
論文 参考訳(メタデータ) (2024-09-13T12:55:45Z) - 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) - Dietary Assessment with Multimodal ChatGPT: A Systematic Analysis [17.333822848423708]
本研究は、食事アセスメントの領域におけるマルチモーダルChatGPTの適用について検討する。
モデルを特定の言語プロンプトで導くことで、GPT-4Vは、米やパンのような一般的な主食を認識することから、バンクーやウグリといった地域料理を正確に識別するようになる。
GPT-4Vは、周囲の物体をスケール基準として利用し、食品の部位サイズを推定し、食品の重量を栄養分に翻訳する精度をさらに高める。
論文 参考訳(メタデータ) (2023-12-14T01:26:45Z) - Efficiently Predicting Protein Stability Changes Upon Single-point
Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。
タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文 参考訳(メタデータ) (2023-12-07T03:25:49Z) - 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) - 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)
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。