論文の概要: NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning

• arxiv url: http://arxiv.org/abs/2412.15547v1
• Date: Fri, 20 Dec 2024 04:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:24:47.230588
• Title: NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning
• Title（参考訳）: NGQA: 個人化された健康に配慮した栄養素推論のための栄養素問合せベンチマーク
• Authors: Zheyuan Zhang, Yiyang Li, Nhi Ha Lan Le, Zehong Wang, Tianyi Ma, Vincent Galassi, Keerthiram Murugesan, Nuno Moniz, Werner Geyer, Nitesh V Chawla, Chuxu Zhang, Yanfang Ye,
• Abstract要約: 食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを紹介する。
• 参考スコア（独自算出の注目度）: 49.06840168630573
• License:
• Abstract: Diet plays a critical role in human health, yet tailoring dietary reasoning to individual health conditions remains a major challenge. Nutrition Question Answering (QA) has emerged as a popular method for addressing this problem. However, current research faces two critical limitations. On one hand, the absence of datasets involving user-specific medical information severely limits \textit{personalization}. This challenge is further compounded by the wide variability in individual health needs. On the other hand, while large language models (LLMs), a popular solution for this task, demonstrate strong reasoning abilities, they struggle with the domain-specific complexities of personalized healthy dietary reasoning, and existing benchmarks fail to capture these challenges. To address these gaps, we introduce the Nutritional Graph Question Answering (NGQA) benchmark, the first graph question answering dataset designed for personalized nutritional health reasoning. NGQA leverages data from the National Health and Nutrition Examination Survey (NHANES) and the Food and Nutrient Database for Dietary Studies (FNDDS) to evaluate whether a food is healthy for a specific user, supported by explanations of the key contributing nutrients. The benchmark incorporates three question complexity settings and evaluates reasoning across three downstream tasks. Extensive experiments with LLM backbones and baseline models demonstrate that the NGQA benchmark effectively challenges existing models. In sum, NGQA addresses a critical real-world problem while advancing GraphQA research with a novel domain-specific benchmark.
• Abstract（参考訳）: 食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 しかし、現在の研究は2つの限界に直面している。 一方、ユーザ固有の医療情報を含むデータセットの欠如は、‘textit{personalization}’を著しく制限する。 この課題は、個人の健康ニーズの広範な多様性によってさらに複雑化されている。 一方、このタスクの一般的なソリューションである大規模言語モデル(LLM)は、強い推論能力を示す一方で、パーソナライズされた健康的な推論のドメイン固有の複雑さに悩まされており、既存のベンチマークではこれらの課題を捉えられていない。 これらのギャップに対処するために、栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを導入する。 NGQAは、National Health and Nutrition Examination Survey (NHANES)とFood and Nutrient Database for Dietary Studies (FNDDS)のデータを活用し、重要な栄養素の説明によって支えられた、特定のユーザにとって健康な食品かどうかを評価する。 ベンチマークには3つの質問複雑性設定が組み込まれ、3つのダウンストリームタスクの推論を評価する。 LLMバックボーンとベースラインモデルによる大規模な実験は、NGQAベンチマークが既存のモデルに効果的に挑戦することを実証している。 要約すると、NGQAは、新しいドメイン固有のベンチマークでGraphQAの研究を進めながら、重要な現実世界の問題に対処する。

関連論文リスト

• 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)
• Qsnail: A Questionnaire Dataset for Sequential Question Generation [76.616068047362]
  質問紙作成作業に特化して構築された最初のデータセットについて述べる。 我々はQsnailの実験を行い、その結果、検索モデルと従来の生成モデルが与えられた研究トピックや意図と完全に一致していないことが明らかとなった。 チェーン・オブ・シークレット・プロンプトと微調整による改善にもかかわらず、言語モデルによるアンケートは、人間の手書きのアンケートには及ばない。
  論文  参考訳（メタデータ） (2024-02-22T04:14:10Z)
• CHQ-Summ: A Dataset for Consumer Healthcare Question Summarization [21.331145794496774]
  我々は1507のドメイン専門家によるアノテートされた消費者健康問題とそれに対応する要約を含む新しいデータセットであるCHQ-Summを紹介した。 データセットはコミュニティの質問応答フォーラムから派生したものだ。 我々は,複数の最先端要約モデル上でデータセットをベンチマークし,データセットの有効性を示す。
  論文  参考訳（メタデータ） (2022-06-14T03:49:03Z)
• 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)
• A Review of the Vision-based Approaches for Dietary Assessment [4.347952928399708]
  肥満などの食生活にまつわる問題は現代社会ではますます懸念されている。 コンピュータによる食品認識は、食事摂取量を評価するための視覚に基づく自動手法を提供する。
  論文  参考訳（メタデータ） (2021-06-21T06:30:06Z)
• 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)
• A Review of Critical Features and General Issues of Freely Available mHealth Apps For Dietary Assessment [2.007262412327553]
  エビデンスによると、食事関連のモバイルアプリケーションは、個人がより健康的な選択をするのを助ける上で重要な役割を担っている。 本研究の目的は,アプリケーションのユーザビリティを向上または損なう重要な特徴や問題を明らかにするために,既存の食事アプリケーションについて,長期にわたってレビューすることである。
  論文  参考訳（メタデータ） (2020-08-22T17:27:49Z)
• The 1st Challenge on Remote Physiological Signal Sensing (RePSS) [116.88849052951856]
  RePSS(Remote Physiological Signal Sensing)の最初の課題をまとめる 本稿では、データ、プロトコル、結果の分析、議論を含む課題の概要について述べる。
  論文  参考訳（メタデータ） (2020-03-26T06:17:54Z)
• SQuINTing at VQA Models: Introspecting VQA Models with Sub-Questions [66.86887670416193]
  現状のVQAモデルでは、知覚や推論の問題に答える上で同等の性能を持つが、一貫性の問題に悩まされていることを示す。 この欠点に対処するため、サブクエスト対応ネットワークチューニング(SQuINT)というアプローチを提案する。 我々は,SQuINTがモデル一貫性を5%向上し,VQAにおける推論問題の性能も改善し,注意マップも改善したことを示す。
  論文  参考訳（メタデータ） (2020-01-20T01:02:36Z)

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。