論文の概要: Extending FKG.in: Towards a Food Claim Traceability Network

• arxiv url: http://arxiv.org/abs/2508.16117v1
• Date: Fri, 22 Aug 2025 06:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.265168
• Title: Extending FKG.in: Towards a Food Claim Traceability Network
• Title（参考訳）: FKG.inの拡張 - 食品クレームトレーサビリティネットワークを目指して
• Authors: Saransh Kumar Gupta, Rizwan Gulzar Mir, Lipika Dey, Partha Pratim Das, Anirban Sen, Ramesh Jain,
• Abstract要約: FKG.inの拡張として、FCN(Food Claim-Traceability Network)を提案する。 FCNは、食品関連のクレーム抽出と検証のために、キュレートされたデータ入力、構造化スキーマ、および証明対応パイプラインを統合する。 食品クレームとそのトレーサビリティを構造化され、検証可能で説明可能な方法でモデル化することにより、より透明で説明可能な食品知識エコシステムへの貢献を目指す。
• 参考スコア（独自算出の注目度）: 2.203316819282414
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The global food landscape is rife with scientific, cultural, and commercial claims about what foods are, what they do, what they should not do, or should not do. These range from rigorously studied health benefits (probiotics improve gut health) and misrepresentations (soaked almonds make one smarter) to vague promises (superfoods boost immunity) and culturally rooted beliefs (cold foods cause coughs). Despite their widespread influence, the infrastructure for tracing, verifying, and contextualizing these claims remains fragmented and underdeveloped. In this paper, we propose a Food Claim-Traceability Network (FCN) as an extension of FKG.in, a knowledge graph of Indian food that we have been incrementally building. We also present the ontology design and the semi-automated knowledge curation workflow that we used to develop a proof of concept of FKG.in-FCN using Reddit data and Large Language Models. FCN integrates curated data inputs, structured schemas, and provenance-aware pipelines for food-related claim extraction and validation. While directly linked to the Indian food knowledge graph as an application, our methodology remains application-agnostic and adaptable to other geographic, culinary, or regulatory settings. By modeling food claims and their traceability in a structured, verifiable, and explainable way, we aim to contribute to more transparent and accountable food knowledge ecosystems, supporting researchers, policymakers, and most importantly, everyday consumers in navigating a world saturated with dietary assertions.
• Abstract（参考訳）: グローバルな食品の風景は、食べ物が何であるか、何をすべきか、何をすべきでないか、あるいは何をすべきでないかについて、科学的、文化的、商業的な主張に満ちている。 これらは、厳格に研究された健康給付(プロバイオティクスは腸の健康を改善する)と誤表現(浸漬されたアーモンドはより賢くする)から、曖昧な約束(スーパーフードは免疫を増強する)、文化的に根ざした信念(コールドフードは生地を生じさせる)まで様々である。 その広範な影響にもかかわらず、これらの主張を追跡、検証、文脈化するためのインフラは断片化され、未開発のままである。 本稿では,インド料理の知識グラフであるFKG.inの拡張として,FCN(Food Claim-Traceability Network)を提案する。 また、RedditデータとLarge Language Modelsを用いたFKG.in-FCNの概念実証のためのオントロジー設計と半自動知識キュレーションワークフローについても紹介する。 FCNは、食品関連のクレーム抽出と検証のために、キュレートされたデータ入力、構造化スキーマ、および証明対応パイプラインを統合する。 インド食品知識グラフをアプリケーションとして直接リンクするが、我々の方法論はアプリケーションに依存しず、他の地理的、料理的、規制的な設定に適応できる。 食品のクレームとそのトレーサビリティを構造化され、検証され、説明可能な方法でモデル化することにより、我々は、より透明で説明可能な食品知識エコシステムに貢献し、研究者、政策立案者、そして最も重要なことは、食事のアサーションが飽和した世界をナビゲートする日々の消費者を支援することを目指している。

関連論文リスト

• Informatics for Food Processing [0.5266869303483376]
  この章は、食品情報学の発展における機械学習、人工知能(AI)、データサイエンスの変革的な役割を強調している。 これらの問題に対処するため、この章では、処理レベルを推測するために栄養組成データに基づいて訓練されたランダムな森林モデルであるFoodProXを含む、新しい計算手法を提示している。 この章の重要なコントリビューションは、Open Food Factsデータベースを使った新しいケーススタディで、マルチモーダルAIモデルが構造化データと非構造化データを統合して、大規模に食品を分類する方法を示している。
  論文  参考訳（メタデータ） (2025-05-20T20:44:31Z)
• Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
  我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。 栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:21Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• FoodSky: A Food-oriented Large Language Model that Passes the Chef and Dietetic Examination [37.11551779015218]
  食品データを理解するために食品指向の大規模言語モデル(LLM)を導入する。 中国料理の複雑さと典型性を考えると、我々はまず1つの総合的な中華料理コーパス「FoodEarth」を構築した。 そこで我々は,HTRAG(Herarchical Topic Retrieval Augmented Generation)機構とTS3M(Selective State Space Model)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T01:27:00Z)
• 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)
• 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)
• From Plate to Prevention: A Dietary Nutrient-aided Platform for Health Promotion in Singapore [18.412322278232757]
  シンガポールのサービスとして、多様なヘルスケア指向のアプリケーションをインキュベーションするためのFoodSGプラットフォームを開発した。 シンガポールの多栄養食品料理がもたらす認知能力のハードルを克服するため,我々の食品認識モデルであるFoodSG-SCLに教師付きコントラスト学習を統合することを提案する。
  論文  参考訳（メタデータ） (2023-01-10T07:51:36Z)
• 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)
• 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)

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。