論文の概要: Losses that Cook: Topological Optimal Transport for Structured Recipe Generation

• arxiv url: http://arxiv.org/abs/2601.02531v1
• Date: Mon, 05 Jan 2026 20:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.716897
• Title: Losses that Cook: Topological Optimal Transport for Structured Recipe Generation
• Title（参考訳）: 調理する損失:構造的レシピ生成のためのトポロジカル最適輸送
• Authors: Mattia Ottoborgo, Daniele Rege Cambrin, Paolo Garza,
• Abstract要約: 埋め込み空間における点雲として成分リストを表す新しいトポロジ的損失を示す。 標準のNLGメトリクスとレシピ固有のメトリクスの両方を用いて、我々の損失は食材レベルとアクションレベルのメトリクスを著しく改善する。 人間の嗜好分析は、私たちのモデルが62%のケースで好まれることを示す、私たちの発見を支持します。
• 参考スコア（独自算出の注目度）: 13.266745265211329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooking recipes are complex procedures that require not only a fluent and factual text, but also accurate timing, temperature, and procedural coherence, as well as the correct composition of ingredients. Standard training procedures are primarily based on cross-entropy and focus solely on fluency. Building on RECIPE-NLG, we investigate the use of several composite objectives and present a new topological loss that represents ingredient lists as point clouds in embedding space, minimizing the divergence between predicted and gold ingredients. Using both standard NLG metrics and recipe-specific metrics, we find that our loss significantly improves ingredient- and action-level metrics. Meanwhile, the Dice loss excels in time/temperature precision, and the mixed loss yields competitive trade-offs with synergistic gains in quantity and time. A human preference analysis supports our finding, showing our model is preferred in 62% of the cases.
• Abstract（参考訳）: 調理レシピは、流動的で現実的なテキストだけでなく、正確なタイミング、温度、手続き的なコヒーレンス、そして成分の正しい構成を必要とする複雑な手順である。 標準的なトレーニング手順は、主にクロスエントロピーに基づいており、フルーエンシーのみに焦点を当てている。 本稿では,RECIPE-NLGをベースとして,複数の複合目的物の利用について検討し,組込み空間における点雲としての成分リストを表す新しいトポロジ的損失について検討し,予測成分と金成分との相違を最小化する。 標準のNLGメトリクスとレシピ固有のメトリクスの両方を用いて、我々の損失は食材レベルとアクションレベルのメトリクスを著しく改善する。 一方、Dice損失は時間/温度精度で優れ、混合損失は相乗的ゲインの量と時間の競争的トレードオフをもたらす。 人間の嗜好分析は、私たちのモデルが62%のケースで好まれることを示す、私たちの発見を支持します。

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)
• FlavorDiffusion: Predicting Food Pairings and Chemical Interactions Using Diffusion Models [0.0]
  本稿では,フレーバー拡散モデルを用いた食品化学相互作用と成分ペアリングの予測手法を提案する。 グラフベースの埋め込み、拡散プロセス、化学特性の符号化を統合することで、FravorDiffusionはデータの不均衡に対処し、クラスタリングの品質を高める。 提案する枠組みは, 食品科学におけるスケーラブルで解釈可能な, 化学的に情報を得たソリューションを提供する, 計算ガストロノミーにおける重要な一歩である。
  論文  参考訳（メタデータ） (2025-02-08T06:47:27Z)
• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• 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)
• Fairness under Covariate Shift: Improving Fairness-Accuracy tradeoff with few Unlabeled Test Samples [21.144077993862652]
  我々は、ラベル付きトレーニングセットとともに、ラベル付きテストサンプルの小さなセットのみが利用可能である教師なしのシステムで運用する。 我々は、損失定式化による最適化が、最先端のベースラインよりも優れていることを実験的に検証した。 提案手法は, それらの性能を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2023-10-11T14:39:51Z)
• 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)
• Revamping Cross-Modal Recipe Retrieval with Hierarchical Transformers and Self-supervised Learning [17.42688184238741]
  近年, 生活における食品の重要性から, クロスモーダルなレシピ検索が注目されている。 本稿では,テキストおよび画像のエンコーダの確立と高性能化に基づく,簡易なエンド・ツー・エンドモデルを提案する。 提案手法は,Recipe1Mデータセットのクロスモーダルレシピ検索タスクにおける最新性能を実現する。
  論文  参考訳（メタデータ） (2021-03-24T10:17:09Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)

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。