論文の概要: FinAgent: An Agentic AI Framework Integrating Personal Finance and Nutrition Planning

• arxiv url: http://arxiv.org/abs/2512.20991v1
• Date: Wed, 24 Dec 2025 06:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.703606
• Title: FinAgent: An Agentic AI Framework Integrating Personal Finance and Nutrition Planning
• Title（参考訳）: FinAgent:パーソナルファイナンスと栄養計画を統合するエージェントAIフレームワーク
• Authors: Toqeer Ali Syed, Abdulaziz Alshahrani, Ali Ullah, Ali Akarma, Sohail Khan, Muhammad Nauman, Salman Jan,
• Abstract要約: 本稿では,個人財務管理とダイエット最適化を組み合わせた価格認識型エージェントAIシステムを提案する。 このシステムは栄養的に十分な食事プランを比較的合理的な価格で作成し、市場の変化に合わせて自動的に調整する。
• 参考スコア（独自算出の注目度）: 0.23453441553817042
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The issue of limited household budgets and nutritional demands continues to be a challenge especially in the middle-income environment where food prices fluctuate. This paper introduces a price aware agentic AI system, which combines personal finance management with diet optimization. With household income and fixed expenditures, medical and well-being status, as well as real-time food costs, the system creates nutritionally sufficient meals plans at comparatively reasonable prices that automatically adjust to market changes. The framework is implemented in a modular multi-agent architecture, which has specific agents (budgeting, nutrition, price monitoring, and health personalization). These agents share the knowledge base and use the substitution graph to ensure that the nutritional quality is maintained at a minimum cost. Simulations with a representative Saudi household case study show a steady 12-18\% reduction in costs relative to a static weekly menu, nutrient adequacy of over 95\% and high performance with price changes of 20-30%. The findings indicate that the framework can locally combine affordability with nutritional adequacy and provide a viable avenue of capacity-building towards sustainable and fair diet planning in line with Sustainable Development Goals on Zero Hunger and Good Health.
• Abstract（参考訳）: 特に食料価格が変動する中所得環境では、家計予算の制限や栄養要求の問題が課題となっている。 本稿では,個人財務管理とダイエット最適化を組み合わせた価格認識型エージェントAIシステムを提案する。 家計収入、固定費、医療費、健康状態、およびリアルタイムの食料コストによって、このシステムは、市場の変化に自動的に適応する比較的合理的な価格で栄養的に十分な食事計画を作成する。 このフレームワークはモジュール型のマルチエージェントアーキテクチャで実装されており、特定のエージェント(予算、栄養、価格モニタリング、健康のパーソナライゼーション)を備えている。 これらのエージェントは知識ベースを共有し、栄養の質が最小限のコストで維持されることを保証するために置換グラフを使用する。 サウジアラビアの代表的な家庭内ケーススタディによるシミュレーションでは、静的な週次メニューと比較して12-18\%のコスト削減、95\%以上の栄養素の適正化、20-30%の価格変更による高性能化が示されている。 本研究は,ゼロハンガーとグッドヘルスの持続可能な開発目標に沿った,サステナブル・ディベロップメント・プランニングに向けた,サステナブル・アセスメント・アセスメント・アセスメント・アセスメント・アセスメントと,サステナブル・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメントを,地域的に組み合わせることができることを示す。

関連論文リスト

• Food4All: A Multi-Agent Framework for Real-time Free Food Discovery with Integrated Nutritional Metadata [27.735512297142623]
  Food4Allは、リアルタイムでコンテキスト対応のフリーフード検索用に明示的に設計された最初のマルチエージェントフレームワークである。 食品4Allは, 公式データベース, コミュニティプラットフォーム, ソーシャルメディア間での不均一なデータ収集を行い, 継続的に更新された食品資源のプールを提供する。2) 地理的アクセシビリティと栄養学的正確性の両方を最適化するために, キュレートされたケースを訓練した軽量強化学習アルゴリズム, 3) ユーザニーズの進化に動的に適応するオンラインフィードバックループである。
  論文  参考訳（メタデータ） (2025-10-21T04:35:02Z)
• 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)
• NutriGen: Personalized Meal Plan Generator Leveraging Large Language Models to Enhance Dietary and Nutritional Adherence [6.937243101289335]
  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。
  論文  参考訳（メタデータ） (2025-02-28T00:05:49Z)
• 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)
• 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)
• 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)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)

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。