論文の概要: A Novel Approach to Balance Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes and its Implementation in BEACON

• arxiv url: http://arxiv.org/abs/2412.17910v1
• Date: Mon, 23 Dec 2024 19:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:18.491108
• Title: A Novel Approach to Balance Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes and its Implementation in BEACON
• Title（参考訳）: 長期グループ勧告とマルチモーダルレシピの推論による食事におけるバランスの便宜と栄養に関する新しいアプローチとBEACONにおける実装
• Authors: Vansh Nagpal, Siva Likitha Valluru, Kausik Lakkaraju, Nitin Gupta, Zach Abdulrahman, Andrew Davison, Biplav Srivastava,
• Abstract要約: 我々は、カスタマイズ可能な食事構成と時間的地平を考慮に入れた食事レコメンデーションのためのデータ駆動ソリューションを提案する。 コントリビューションには、良さ対策の導入、テキストから最近導入されたマルチモーダル・リッチ・レシピ表現(R3)フォーマットへのレシピ変換方法、BEACONシステムのプロトタイプ、使用感に着想を得た。
• 参考スコア（独自算出の注目度）: 8.955242763610366
• License:
• Abstract: "A common decision made by people, whether healthy or with health conditions, is choosing meals like breakfast, lunch, and dinner, comprising combinations of foods for appetizer, main course, side dishes, desserts, and beverages. Often, this decision involves tradeoffs between nutritious choices (e.g., salt and sugar levels, nutrition content) and convenience (e.g., cost and accessibility, cuisine type, food source type). We present a data-driven solution for meal recommendations that considers customizable meal configurations and time horizons. This solution balances user preferences while accounting for food constituents and cooking processes. Our contributions include introducing goodness measures, a recipe conversion method from text to the recently introduced multimodal rich recipe representation (R3) format, learning methods using contextual bandits that show promising preliminary results, and the prototype, usage-inspired, BEACON system."
• Abstract（参考訳）: 「健康でも健康でも、朝食、昼食、夕食などの食事を選ぶと、食材、メインコース、サイドディッシュ、デザート、飲料の組み合わせで、栄養素の選択(例えば、塩分、糖度、栄養成分)と便宜(例えば、コスト、アクセシビリティ、料理の種類、食材の種類、食材源の種類など)のトレードオフがある。このソリューションは、食品の構成や調理工程を勘案しながら、ユーザー好みのバランスをとる。我々は、最近導入されたマルチモーダル・リッチ・レシピー表現(R3)のテキストからレシピーへの変換手法の導入や、先進的なバンド・インセンティブ・システムの使用方法の学習方法、先進的な利用方法、BEACONシステムの利用方法の試行など、良い方法の紹介に寄与する。」

関連論文リスト

• 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)
• 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)
• Food Pairing Unveiled: Exploring Recipe Creation Dynamics through Recommender Systems [0.0]
  西洋料理では、レシピの材料は偶然に予想されるよりも多くのフレーバーを共有していることが多い。 我々の研究は、データセットに最先端の協調フィルタリング技術を適用します。 レシピの具体的外観や、食品間での香料成分の共有を考慮し、コメンデーターを2つの方法で作成する。
  論文  参考訳（メタデータ） (2024-06-21T13:45:42Z)
• BEACON: Balancing Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes [4.441718631975636]
  本稿では,新しい食事レコメンデーション問題に対するデータ駆動型アプローチを提案する。 コントリビューションには、良心尺度、テキストからのレシピ変換方法、文脈的包帯を用いた学習方法が含まれる。
  論文  参考訳（メタデータ） (2024-06-19T17:14:41Z)
• 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)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• 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)
• Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
  食品ログから食品の嗜好を学習する手法を提案する。 提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
  論文  参考訳（メタデータ） (2021-10-29T02:36:24Z)
• 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)
• 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)
• 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。