論文の概要: FoodRL: A Reinforcement Learning Ensembling Framework For In-Kind Food Donation Forecasting

• arxiv url: http://arxiv.org/abs/2511.04865v1
• Date: Thu, 06 Nov 2025 23:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.614423
• Title: FoodRL: A Reinforcement Learning Ensembling Framework For In-Kind Food Donation Forecasting
• Title（参考訳）: FoodRL:In-Kind Food Donation Forecastingのための強化学習フレームワーク
• Authors: Esha Sharma, Lauren Davis, Julie Ivy, Min Chi,
• Abstract要約: 従来の予測モデルは予測不可能な変動と概念のドリフトのために、一貫性のある精度を維持することができないことが多い。 本稿では,新しい強化学習(RL)に基づくメタラーニングフレームワークであるFoodRLを提案する。 フードRLは毎年170万食分の食品の再分配を促進することができる。
• 参考スコア（独自算出の注目度）: 8.858171965804912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Food banks are crucial for alleviating food insecurity, but their effectiveness hinges on accurately forecasting highly volatile in-kind donations to ensure equitable and efficient resource distribution. Traditional forecasting models often fail to maintain consistent accuracy due to unpredictable fluctuations and concept drift driven by seasonal variations and natural disasters such as hurricanes in the Southeastern U.S. and wildfires in the West Coast. To address these challenges, we propose FoodRL, a novel reinforcement learning (RL) based metalearning framework that clusters and dynamically weights diverse forecasting models based on recent performance and contextual information. Evaluated on multi-year data from two structurally distinct U.S. food banks-one large regional West Coast food bank affected by wildfires and another state-level East Coast food bank consistently impacted by hurricanes, FoodRL consistently outperforms baseline methods, particularly during periods of disruption or decline. By delivering more reliable and adaptive forecasts, FoodRL can facilitate the redistribution of food equivalent to 1.7 million additional meals annually, demonstrating its significant potential for social impact as well as adaptive ensemble learning for humanitarian supply chains.
• Abstract（参考訳）: 食料銀行は食料の安全性を損なうために重要であるが、その効果は、公平で効率的な資源配分を確保するために、高度に揮発性のあるインキンドの寄付を正確に予測することにある。 従来の予測モデルは、アメリカ合衆国南東部のハリケーンや西海岸の山火事のような季節変動や自然災害によって引き起こされる予測不可能な変動やコンセプトドリフトによって、一貫した精度を維持することができないことが多い。 これらの課題に対処するため、我々は、最近のパフォーマンスと文脈情報に基づいて多様な予測モデルをクラスタ化し、動的に重み付けする新しい強化学習(RL)ベースのメタラーニングフレームワークであるFoodRLを提案する。 構造的に異なる2つの米国食品銀行(山火事の影響を受けた大規模な西海岸食品銀行と、ハリケーンの影響が続く東海岸食品銀行)の複数年間のデータに基づいて評価され、特に破壊や衰退の期間において、フードRLはベースライン法を一貫して上回っている。 より信頼性が高く適応的な予測を提供することで、FoodRLは毎年170万人の追加食事に匹敵する食品の再分配を促進でき、社会的影響や人道的なサプライチェーンに対する適応的なアンサンブル学習の可能性を証明している。

関連論文リスト

• 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)
• From Bytes to Bites: Using Country Specific Machine Learning Models to Predict Famine [0.0]
  本研究では、飢餓と飢餓の危機に関する意思決定を予測し、伝達するために機械学習をどのように利用できるかを検討する。 経済指標は一貫して平均的な家庭栄養の最も重要な予測要因であった。
  論文  参考訳（メタデータ） (2024-09-16T04:23:06Z)
• NourishNet: Proactive Severity State Forecasting of Food Commodity Prices for Global Warning Systems [0.0]
  世界的な食品商品の価格変動は、食品市場の破壊の可能性を示す重要なシグナルである。 FAOは以前、食品価格の積極的な予測のための洗練された統計フレームワークを開発した。 本研究は,堅牢な価格セキュリティ指標と最先端のディープラーニング(DL)手法を統合することにより,これらの基盤の上に構築されている。
  論文  参考訳（メタデータ） (2024-06-30T13:43:26Z)
• From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
  DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。 これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
  論文  参考訳（メタデータ） (2024-03-12T08:32:23Z)
• Forecasting trends in food security with real time data [0.0]
  我々は,マリ,ナイジェリア,シリア,イエメンの4カ国で,60日間連続して食料消費の水準を予測する定量的手法を提案する。 この手法は、World Food Programmeのグローバルな飢餓モニタリングシステムから入手可能なデータに基づいて構築されている。
  論文  参考訳（メタデータ） (2023-12-01T14:42:37Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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。