論文の概要: NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence

• arxiv url: http://arxiv.org/abs/2502.20601v1
• Date: Fri, 28 Feb 2025 00:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:44:22.772262
• Title: NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence
• Title（参考訳）: NutriGen: 大規模言語モデルを活用するパーソナル化ミールプランジェネレータ
• Authors: Saman Khamesian, Asiful Arefeen, Stephanie M. Carpenter, Hassan Ghasemzadeh,
• Abstract要約: NutriGenは、ユーザが定義した食事の好みや制約に合わせて、パーソナライズされた食事プランを生成するように設計されたフレームワークである。 Llama 3.1 8B と GPT-3.5 Turbo がそれぞれ 1.55% と 3.68% の誤差を示した。
• 参考スコア（独自算出の注目度）: 6.937243101289335
• License:
• Abstract: Maintaining a balanced diet is essential for overall health, yet many individuals struggle with meal planning due to nutritional complexity, time constraints, and lack of dietary knowledge. Personalized food recommendations can help address these challenges by tailoring meal plans to individual preferences, habits, and dietary restrictions. However, existing dietary recommendation systems often lack adaptability, fail to consider real-world constraints such as food ingredient availability, and require extensive user input, making them impractical for sustainable and scalable daily use. To address these limitations, we introduce NutriGen, a framework based on large language models (LLM) designed to generate personalized meal plans that align with user-defined dietary preferences and constraints. By building a personalized nutrition database and leveraging prompt engineering, our approach enables LLMs to incorporate reliable nutritional references like the USDA nutrition database while maintaining flexibility and ease-of-use. We demonstrate that LLMs have strong potential in generating accurate and user-friendly food recommendations, addressing key limitations in existing dietary recommendation systems by providing structured, practical, and scalable meal plans. Our evaluation shows that Llama 3.1 8B and GPT-3.5 Turbo achieve the lowest percentage errors of 1.55\% and 3.68\%, respectively, producing meal plans that closely align with user-defined caloric targets while minimizing deviation and improving precision. Additionally, we compared the performance of DeepSeek V3 against several established models to evaluate its potential in personalized nutrition planning.
• Abstract（参考訳）: バランスのとれた食事を維持することは健康に不可欠であるが、多くの個人は栄養の複雑さ、時間制限、食事に関する知識の欠如のために食事計画に苦慮している。 パーソナライズされた食品レコメンデーションは、食事プランを個人の好み、習慣、食事制限に合わせることで、これらの課題に対処するのに役立つ。 しかし、既存の食事レコメンデーションシステムは適応性に欠けることが多く、食品成分の可用性などの現実的な制約を考慮せず、広範囲のユーザー入力を必要とするため、持続可能でスケーラブルな日常使用には実用的ではない。 これらの制約に対処するため,ユーザ定義の食事嗜好や制約に沿うパーソナライズされた食事プランを生成するために設計された,大規模言語モデル(LLM)に基づくフレームワークであるNutriGenを紹介した。 パーソナライズされた栄養データベースを構築し,迅速なエンジニアリングを活用することで,柔軟性と使いやすさを維持しつつ,USDA栄養データベースのような信頼性の高い栄養基準をLLMに組み込むことが可能である。 LLMは、構造的で実用的でスケーラブルな食事プランを提供することで、既存の食事レコメンデーションシステムにおける重要な制約に対処し、正確でユーザフレンドリーな食品レコメンデーションを作成できる可能性が強いことを実証する。 Llama 3.1 8B と GPT-3.5 Turbo がそれぞれ最低誤差 1.55 % と最低誤差 3.68 % を達成し, 偏差の最小化と精度の向上を図った。 さらに、DeepSeek V3の性能をいくつかの確立したモデルと比較し、パーソナライズされた栄養計画の可能性を評価した。

関連論文リスト

• NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning [49.06840168630573]
  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。
  論文  参考訳（メタデータ） (2024-12-20T04:13:46Z)
• 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)
• NUTRIVISION: A System for Automatic Diet Management in Smart Healthcare [0.0]
  NutriVisionは、スマートヘルスケアとコンピュータビジョンと機械学習を組み合わせて、栄養と食事管理の課題に対処する。 本稿では,食品の特定,量推定,包括的栄養情報の提供が可能な新しいシステムを提案する。 NutriVisionはスマートフォンベースの画像キャプチャーを通じて、マクロ栄養素の分解、カロリー数、微小栄養素の詳細などのインスタント栄養データを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:10:25Z)
• 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)
• ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework [2.3221599497640915]
  ChatDietは、パーソナライズされた栄養指向の食品レコメンデーションチャットボット用に特別に設計された、新しいフレームワークである。 ChatDietは、オーケストラが補完する個人モデルと人口モデルを統合し、シームレスに関連する情報を検索し、処理する。 ChatDietの評価には説得力のあるケーススタディが含まれており、個別の栄養効果を推定するための因果的個人モデルを確立している。
  論文  参考訳（メタデータ） (2024-02-18T06:07:17Z)
• 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)
• 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)
• 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)
• 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)

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。