論文の概要: Optimal Meal Schedule for a Local Nonprofit Using LLM-Aided Data Extraction

• arxiv url: http://arxiv.org/abs/2511.18483v1
• Date: Sun, 23 Nov 2025 15:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.861558
• Title: Optimal Meal Schedule for a Local Nonprofit Using LLM-Aided Data Extraction
• Title（参考訳）: LLM支援データ抽出を用いた地域非営利のための最適食事スケジュール
• Authors: Sergio Marin, Nhu Nguyen, Max, Zheng, Christina M. Weaver,
• Abstract要約: 本稿では,地域社会における食料不安全に対処する非営利団体であるPower Packs Projectと共同で開発されたデータ駆動パイプラインについて紹介する。 このシステムは、PDFからのデータ抽出、成分標準化のための大規模言語モデル、および15週間のレシピスケジュールを生成するバイナリ整数プログラミングを統合している。 全157のレシピは栄養データベースにマッピングされ、歴史的請求書データとカテゴリー別インフレーション調整を用いて推定および予測コストが割り当てられた。
• 参考スコア（独自算出の注目度）: 3.9271139410453366
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a data-driven pipeline developed in collaboration with the Power Packs Project, a nonprofit addressing food insecurity in local communities. The system integrates data extraction from PDFs, large language models for ingredient standardization, and binary integer programming to generate a 15-week recipe schedule that minimizes projected wholesale costs while meeting nutritional constraints. All 157 recipes were mapped to a nutritional database and assigned estimated and predicted costs using historical invoice data and category-specific inflation adjustments. The model effectively handles real-world price volatility and is structured for easy updates as new recipes or cost data become available. Optimization results show that constraint-based selection yields nutritionally balanced and cost-efficient plans under uncertainty. To facilitate real-time decision-making, we deployed a searchable web platform that integrates analytical models into daily operations by enabling staff to explore recipes by ingredient, category, or through an optimized meal plan.
• Abstract（参考訳）: 本稿では,地域社会における食料不安全に対処する非営利団体であるPower Packs Projectと共同で開発されたデータ駆動パイプラインについて紹介する。 このシステムは、PDF、成分標準化のための大規模言語モデル、およびバイナリ整数プログラミングからのデータ抽出を統合し、15週間のレシピスケジュールを生成する。 全157のレシピは栄養データベースにマッピングされ、歴史的請求書データとカテゴリー別インフレーション調整を用いて推定および予測コストが割り当てられた。 このモデルは現実の価格変動を効果的に処理し、新しいレシピやコストデータが利用可能になると簡単に更新できるように構成されている。 最適化の結果, 制約に基づく選択は不確実性の下で栄養バランスとコスト効率のよい計画をもたらすことが示された。 リアルタイム意思決定を容易にするため,分析モデルを日々の作業に統合した検索可能なWebプラットフォームを構築し,食材やカテゴリ,あるいは最適化された食事計画によるレシピの探索を可能にした。

関連論文リスト

• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models [17.705244174235045]
  大規模言語モデル(LLMs)の最近の進歩と食品データの豊富さは、食品の理解を改善するために研究されている。 我々は、食品KGとLLMを活用して、パーソナライズされた食品レコメンデーションを提供する統一システムであるKERLを紹介する。 我々は,提案するKG拡張LDMが既存手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T17:19:57Z)
• Data Mixture Optimization: A Multi-fidelity Multi-scale Bayesian Framework [10.317740844867913]
  我々は,SlimPajamaデータセットから,さまざまなデータ構成を用いて,472言語モデルによる事前学習実行をベースとしたシミュレータを構築した。 単純な取得関数でさえ、20Mから1Bまでのトレーニングモデル間で、原則化されたトレーニング決定を可能にすることを観察する。
  論文  参考訳（メタデータ） (2025-03-26T22:19:47Z)
• 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)
• Continual Learning on a Diet: Learning from Sparsely Labeled Streams Under Constrained Computation [123.4883806344334]
  本研究では,学習アルゴリズムが学習段階ごとに制限された計算予算を付与する,現実的な連続学習環境について検討する。 この設定を,スパースラベル率の高い大規模半教師付き連続学習シナリオに適用する。 広範に分析と改善を行った結果,DietCLはラベル空間,計算予算,その他様々な改善の完全な範囲で安定していることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T10:10:39Z)
• Data-Juicer: A One-Stop Data Processing System for Large Language Models [73.27731037450995]
  データレシピは、大規模言語モデル(LLM)をトレーニングするための異なるソースからのデータの混合である。 我々はData-Juicerという新しいシステムを構築し、多様なデータレシピを効率的に生成できる。 Data-Juicerから派生したデータレシピは、最先端のLLMで顕著に改善されている。
  論文  参考訳（メタデータ） (2023-09-05T08:22:07Z)
• Learning to Substitute Ingredients in Recipes [15.552549060863523]
  食材代替によるパーソナライゼーションは、食生活のニーズや嗜好を満たすこと、潜在的なアレルゲンを避けること、およびすべての台所での料理探索を容易にする可能性がある。 標準化された分割、評価指標、ベースラインを備えた置換ペアのデータセットで構成されたベンチマークを構築します。 Ingredient Substitution Module (GISMo) は、レシピのコンテキストと、グラフ内にエンコードされた一般的な成分関係情報を利用して、妥当な代替品のランク付けを行う新しいモデルである。 我々は、GISMoが平均的相互ランクにおいて、最高のパフォーマンスベースラインをはるかに上回っているという総合的な実験的検証を通して示す。
  論文  参考訳（メタデータ） (2023-02-15T21:49:23Z)
• Structured Vision-Language Pretraining for Computational Cooking [54.0571416522547]
  Vision-Language PretrainingとFoundationモデルは、一般的なベンチマークでSoTAのパフォーマンスを達成するためのゴーツーレシピです。 本稿では,これらの手法を構造化テキストベースの計算料理タスクに活用することを提案する。
  論文  参考訳（メタデータ） (2022-12-08T13:37:17Z)
• Optimizing Data Collection for Machine Learning [87.37252958806856]
  現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。 過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。 本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:19:05Z)
• An Open-Source Dataset on Dietary Behaviors and DASH Eating Plan Optimization Constraints [0.29298205115761694]
  我々は、異なるグループの食行動、その人口統計、および既存の状況に基づいて、修正されたデータセットを提供する。 また,高血圧およびプレ糖尿病患者を対象に,標的食の利益を享受する興味のあるグループとして,調整したデータセットを提供する。
  論文  参考訳（メタデータ） (2020-10-15T05:25:44Z)

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。