論文の概要: Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation

• arxiv url: http://arxiv.org/abs/2507.21934v1
• Date: Tue, 29 Jul 2025 15:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.572459
• Title: Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation
• Title（参考訳）: Culinary Crossroads: クロスカルチャーレシピ適応における多様性向上のためのRAGフレームワーク
• Authors: Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich,
• Abstract要約: クロスカルチャーなレシピ・アダプションでは、文化的な適切性を確保し、本来の料理の本質を維持することが目的である。 Retrieval Augmented Generation(RAG)は、文化的適応性のためのターゲット料理からの実際のレシピの検索と、関連性のための大規模言語モデル(LLM)を組み合わせた、有望なアプローチである。 CARRIAGEは、検索とコンテキストの双方において多様性を高めるクロスカルチャーなレシピ適応のための、プラグアンドプレイのRAGフレームワークである。
• 参考スコア（独自算出の注目度）: 12.609110518445346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cross-cultural recipe adaptation, the goal is not only to ensure cultural appropriateness and retain the original dish's essence, but also to provide diverse options for various dietary needs and preferences. Retrieval Augmented Generation (RAG) is a promising approach, combining the retrieval of real recipes from the target cuisine for cultural adaptability with large language models (LLMs) for relevance. However, it remains unclear whether RAG can generate diverse adaptation results. Our analysis shows that RAG tends to overly rely on a limited portion of the context across generations, failing to produce diverse outputs even when provided with varied contextual inputs. This reveals a key limitation of RAG in creative tasks with multiple valid answers: it fails to leverage contextual diversity for generating varied responses. To address this issue, we propose CARRIAGE, a plug-and-play RAG framework for cross-cultural recipe adaptation that enhances diversity in both retrieval and context organization. To our knowledge, this is the first RAG framework that explicitly aims to generate highly diverse outputs to accommodate multiple user preferences. Our experiments show that CARRIAGE achieves Pareto efficiency in terms of diversity and quality of recipe adaptation compared to closed-book LLMs.
• Abstract（参考訳）: クロスカルチャーなレシピ・アダプションでは、文化的な適切性を確保し、本来の料理の本質を維持することだけでなく、様々な食生活ニーズや嗜好に多様な選択肢を提供することが目的である。 Retrieval Augmented Generation(RAG)は、文化的適応性のためのターゲット料理からの実際のレシピの検索と、関連性のための大規模言語モデル(LLM)を組み合わせた、有望なアプローチである。 しかし、RAGが多彩な適応を得られるかどうかは不明である。 我々の分析によると、RAGは世代ごとに限られた文脈に依存しており、様々な文脈入力が提供されても多様な出力を生成できない傾向にある。 これは、複数の有効な回答を持つ創造的なタスクにおけるRAGの重要な制限を明らかにしている。 この問題に対処するため、我々は、検索とコンテキストの双方において多様性を高めるクロスカルチャーなレシピ適応のためのプラグイン・アンド・プレイのRAGフレームワークであるCARRIAGEを提案する。 我々の知る限り、これは複数のユーザの好みに合わせて高度に多様なアウトプットを生成することを目的としている最初のRAGフレームワークです。 実験の結果,CARRIAGE はクローズドブック LLM と比較して,レシピ適応の多様性と品質の観点からパレート効率を向上できることがわかった。

関連論文リスト

• UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities [53.76854299076118]
  UniversalRAGは異種情報源からの知識を多様さと粒度で検索・統合するための新しいRAGフレームワークである。 本稿では,最も適切なモダリティ固有コーパスを動的に識別し,その内部でターゲット検索を行うモダリティ対応ルーティング機構を提案する。 マルチモーダル性にまたがる8つのベンチマークでUniversalRAGを検証する。
  論文  参考訳（メタデータ） (2025-04-29T13:18:58Z)
• Multilingual Retrieval-Augmented Generation for Knowledge-Intensive Task [73.35882908048423]
  Retrieval-augmented Generation (RAG) は現代のNLPの基盤となっている。 本稿では,複数言語にまたがるRAGの有効性について,複数言語にまたがるオープンドメイン問合せに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-04T17:35:43Z)
• Does RAG Introduce Unfairness in LLMs? Evaluating Fairness in Retrieval-Augmented Generation Systems [18.926129063000264]
  本研究では,複数のRAG法において,公正性を実証的に評価することを目的とする。 その結果,最近のユーティリティ駆動最適化の進歩にもかかわらず,検索と生成の両段階において公平性の問題が持続していることが示唆された。 これらの知見は、RAGパイプライン全体の公平性に対処するための標的的介入の必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-09-29T22:04:26Z)
• CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。 本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
  論文  参考訳（メタデータ） (2024-01-30T14:25:32Z)
• Diversify Question Generation with Retrieval-Augmented Style Transfer [68.00794669873196]
  本稿では,検索型スタイル転送のためのフレームワーク RAST を提案する。 本研究の目的は,多様なテンプレートのスタイルを質問生成に活用することである。 多様性報酬と一貫性報酬の重み付けを最大化する新しい強化学習(RL)ベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2023-10-23T02:27:31Z)

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。