論文の概要: Enhancing FKG.in: automating Indian food composition analysis
- arxiv url: http://arxiv.org/abs/2412.05248v1
- Date: Fri, 06 Dec 2024 18:27:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:57:49.599787
- Title: Enhancing FKG.in: automating Indian food composition analysis
- Title（参考訳）: FKG.inの強化:インド食品組成分析の自動化
- Authors: Saransh Kumar Gupta, Lipika Dey, Partha Pratim Das, Geeta Trilok-Kumar, Ramesh Jain,
- Abstract要約: 本稿では,インド料理の食品組成データを知識グラフを用いて計算する手法を提案する。
このワークフローは、FKG.inを補完し、検証済み知識ベースからの食品組成データを反復的に補完することを目的としている。
ユーザがワークフローと対話して、ダイエットベースのヘルスレコメンデーションを得る方法について、簡単に説明している。
- 参考スコア（独自算出の注目度）: 2.180451315432493
- License:
- Abstract: This paper presents a novel approach to compute food composition data for Indian recipes using a knowledge graph for Indian food (FKG.in) and LLMs. The primary focus is to provide a broad overview of an automated food composition analysis workflow and describe its core functionalities: nutrition data aggregation, food composition analysis, and LLM-augmented information resolution. This workflow aims to complement FKG.in and iteratively supplement food composition data from verified knowledge bases. Additionally, this paper highlights the challenges of representing Indian food and accessing food composition data digitally. It also reviews three key sources of food composition data: the Indian Food Composition Tables, the Indian Nutrient Databank, and the Nutritionix API. Furthermore, it briefly outlines how users can interact with the workflow to obtain diet-based health recommendations and detailed food composition information for numerous recipes. We then explore the complex challenges of analyzing Indian recipe information across dimensions such as structure, multilingualism, and uncertainty as well as present our ongoing work on LLM-based solutions to address these issues. The methods proposed in this workshop paper for AI-driven knowledge curation and information resolution are application-agnostic, generalizable, and replicable for any domain.
- Abstract（参考訳）: 本稿では,インド料理の知識グラフ(FKG.in)とLLMを用いて,インド料理の食品組成データを計算する手法を提案する。
主な焦点は、自動食品組成分析ワークフローの概要を提供し、栄養データ集約、食品組成分析、LLM強化情報解決など、その中核機能を説明することである。
このワークフローは、FKG.inを補完し、検証済み知識ベースからの食品組成データを反復的に補完することを目的としている。
さらに,インド料理の表現と食品組成データのデジタル化の課題を強調した。
また、インド食品組成表、インド栄養データバンク、Nutritionix APIの3つの主要な食品組成データもレビューしている。
さらに、ユーザがワークフローと対話して、ダイエットベースの健康レコメンデーションと、多くのレシピの詳細な料理構成情報を得る方法について概説する。
次に、構造、多言語主義、不確実性といった次元にわたってインドのレシピ情報を分析するという複雑な課題について検討するとともに、これらの問題に対処するためのLLMベースのソリューションに関する現在進行中の取り組みについて述べる。
このワークショップで提案されるAI駆動の知識キュレーションと情報解決のための手法は、アプリケーションに依存しず、一般化可能であり、あらゆるドメインに対して複製可能である。
関連論文リスト
- MetaFood3D: Large 3D Food Object Dataset with Nutrition Values [53.24500333363066]
このデータセットは、詳細な栄養情報、体重、および包括的栄養データベースに関連付けられた食品コードを含む、108カテゴリにわたる637の細かな3D食品オブジェクトから成っている。
実験の結果、我々のデータセットがアルゴリズムの性能を向上させる重要な可能性を実証し、ビデオキャプチャと3Dスキャンされたデータの間の困難さを強調し、高品質なデータ生成、シミュレーション、拡張におけるMetaFood3Dデータセットの強みを示した。
論文 参考訳（メタデータ） (2024-09-03T15:02:52Z) - Building FKG.in: a Knowledge Graph for Indian Food [2.339288371903242]
本研究では,インド料理の料理情報を知識グラフの形で同化する自動システムを構築した。
我々は、AI、LLM、言語技術を用いて、パブリックドメインのレシピブログサイトから情報をキュレートする新しいワークフローを提案する。
設計はアプリケーションに依存しず、AI駆動のスマート分析、パーソナライズドデジタルヘルスのためのレコメンデーションシステム構築に使用することができる。
論文 参考訳（メタデータ） (2024-09-01T20:18:36Z) - 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-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - Muti-Stage Hierarchical Food Classification [9.013592803864086]
トレーニングプロセス中に食品を反復的にクラスタリングし,マージすることで,食品分類のための多段階階層的枠組みを提案する。
本手法は,VFN栄養データセットを用いて評価し,食品の種類と食品の分類の両面で既存の研究と比較して有望な結果を得た。
論文 参考訳（メタデータ） (2023-09-03T04:45:44Z) - 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) - Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。
食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。
食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文 参考訳（メタデータ） (2021-07-13T06:26:53Z) - CHEF: Cross-modal Hierarchical Embeddings for Food Domain Retrieval [20.292467149387594]
本稿では,食品画像検索と検索タスクにおける画像とテキストの潜伏表現を協調的にモデル化する,新たなクロスモーダル学習フレームワークを提案する。
本研究では,効率的な木構造長短期記憶を計算クロスモーダル検索フレームワークのテキストエンコーダとして利用することにより,レシピ記述の主成分や調理動作を明示的な監督なしに識別できることを実証した。
論文 参考訳（メタデータ） (2021-02-04T11:24:34Z) - Picture-to-Amount (PITA): Predicting Relative Ingredient Amounts from
Food Images [24.26111169033236]
食品画像から各成分の相対的な量を予測するという,新しい課題と課題について考察する。
本稿では,この問題を解決するために,Picture-to-AmountディープラーニングアーキテクチャであるPITAを提案する。
インターネットから収集されたレシピのデータセットの実験は、モデルが有望な結果を生成することを示す。
論文 参考訳（メタデータ） (2020-10-17T06:43:18Z) - 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。