論文の概要: Machine learning and natural language processing models to predict the extent of food processing

• arxiv url: http://arxiv.org/abs/2412.17217v1
• Date: Mon, 23 Dec 2024 02:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:56:03.877619
• Title: Machine learning and natural language processing models to predict the extent of food processing
• Title（参考訳）: 食品処理の程度を予測する機械学習と自然言語処理モデル
• Authors: Nalin Arora, Sumit Bhagat, Riya Dhama, Ganesh Bagler,
• Abstract要約: 超加工食品消費に関連する公衆衛生上の影響を考えると、食品の処理を予測するための計算モデルを構築することは極めて重要である。 私たちは、食品処理の範囲を予測するために、機械学習、ディープラーニング、NLPモデルを作成しました。 食品の栄養パネルに基づいて処理レベルを予測するためのユーザフレンドリーなWebサーバを提案する。
• 参考スコア（独自算出の注目度）: 2.0344484702022263
• License:
• Abstract: The dramatic increase in consumption of ultra-processed food has been associated with numerous adverse health effects. Given the public health consequences linked to ultra-processed food consumption, it is highly relevant to build computational models to predict the processing of food products. We created a range of machine learning, deep learning, and NLP models to predict the extent of food processing by integrating the FNDDS dataset of food products and their nutrient profiles with their reported NOVA processing level. Starting with the full nutritional panel of 102 features, we further implemented coarse-graining of features to 65 and 13 nutrients by dropping flavonoids and then by considering the 13-nutrient panel of FDA, respectively. LGBM Classifier and Random Forest emerged as the best model for 102 and 65 nutrients, respectively, with an F1-score of 0.9411 and 0.9345 and MCC of 0.8691 and 0.8543. For the 13-nutrient panel, Gradient Boost achieved the best F1-score of 0.9284 and MCC of 0.8425. We also implemented NLP based models, which exhibited state-of-the-art performance. Besides distilling nutrients critical for model performance, we present a user-friendly web server for predicting processing level based on the nutrient panel of a food product: https://cosylab.iiitd.edu.in/food-processing/.
• Abstract（参考訳）: 超加工食品の消費の劇的な増加は、多くの有害な健康影響と関連している。 超加工食品消費に関連する公衆衛生上の影響を考えると、食品の処理を予測するための計算モデルを構築することは極めて重要である。 食品のFNDDSデータセットと栄養プロファイルをNOVA処理レベルと統合することにより、食品の処理範囲を予測するため、機械学習、ディープラーニング、NLPモデルを作成しました。 フル栄養パネル102点から,フル栄養パネル13点,フル栄養パネル13点,フル栄養パネル13点をそれぞれ検討し,65点,13点に粗粒化を行った。 LGBM分類器とランダムフォレストは、それぞれ0.9411と0.9345のF1スコアと0.8691と0.8543の102と65の栄養素の最良のモデルとして登場した。 13栄養パネルではグラディエント・ブーストが最高のF1スコア0.9284、MCC0.8425を達成した。 また,NLPモデルも実装し,最先端の性能を示した。 モデル性能に重要な栄養素を蒸留する以外に、食品の栄養パネルに基づいて処理レベルを予測するためのユーザフレンドリーなWebサーバを提示する。

関連論文リスト

• 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)
• Vision-Based Approach for Food Weight Estimation from 2D Images [0.9208007322096533]
  この研究は、さまざまな部分、向き、容器の14種類の食品からなる2380の画像のデータセットを用いている。 提案手法は深層学習とコンピュータビジョン技術を統合し,特に食品検出にFaster R-CNN,重量推定にMobileNetV3を用いている。
  論文  参考訳（メタデータ） (2024-05-26T08:03:51Z)
• 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)
• 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)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• 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)
• NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake Estimation [65.47310907481042]
  高齢者の4人に1人は栄養不良です。 機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。 NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
  論文  参考訳（メタデータ） (2023-04-12T05:27:30Z)
• 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)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients [4.048427587958764]
  入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。 本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-03-18T15:28:51Z)

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。