論文の概要: Physics-Informed Neuro-Symbolic Recommender System: A Dual-Physics Approach for Personalized Nutrition

• arxiv url: http://arxiv.org/abs/2601.19244v1
• Date: Tue, 27 Jan 2026 06:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 13:53:07.773389
• Title: Physics-Informed Neuro-Symbolic Recommender System: A Dual-Physics Approach for Personalized Nutrition
• Title（参考訳）: 物理インフォームド・ニューロシンボリック・リコメンダーシステム : パーソナライズド栄養のための二重物理アプローチ
• Authors: Chayan Banerjee,
• Abstract要約: 本稿では,栄養科学を直接,二重層アーキテクチャを介してレコメンデーションパイプラインに統合する物理インフォームドニューロシンボリックレコメンドシステムを提案する。 このフレームワークは、文レベルのエンコーダを使用してセマンティックナレッジグラフを構築して、商業製品と権威的な栄養データとを厳密に整合させることから始まる。 トレーニングフェーズでは、暗黙の物理正則化器が異なる熱力学的損失関数を適用し、学習された埋め込みが単純な人気よりも栄養学的妥当性を反映することを保証する。
• 参考スコア（独自算出の注目度）: 2.8681767712152197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional e-commerce recommender systems primarily optimize for user engagement and purchase likelihood, often neglecting the rigid physiological constraints required for human health. Standard collaborative filtering algorithms are structurally blind to these hard limits, frequently suggesting bundles that fail to meet specific total daily energy expenditure and macronutrient balance requirements. To address this disconnect, this paper introduces a Physics-Informed Neuro-Symbolic Recommender System that integrates nutritional science directly into the recommendation pipeline via a dual-layer architecture. The framework begins by constructing a semantic knowledge graph using sentence-level encoders to strictly align commercial products with authoritative nutritional data. During the training phase, an implicit physics regularizer applies a differentiable thermodynamic loss function, ensuring that learned latent embeddings reflect nutritional plausibility rather than simple popularity. Subsequently, during the inference phase, an explicit physics optimizer employs simulated annealing and elastic quantity optimization to generate discrete grocery bundles that strictly adhere to the user's protein and caloric targets.
• Abstract（参考訳）: 従来のeコマースレコメンデーターシステムは、主にユーザーのエンゲージメントと購入可能性に最適化されており、しばしば人間の健康に必要な厳格な生理的制約を無視している。 標準的な協調フィルタリングアルゴリズムは、これらのハードリミットに構造的に盲目であり、しばしば、特定の日当たりのエネルギー消費とマクロ栄養バランスの要求を満たすことができないバンドルを示唆する。 本稿では, 栄養科学を直接, 二重層アーキテクチャを通してレコメンデーションパイプラインに統合する物理インフォームドニューロシンボリックレコメンドシステムを提案する。 このフレームワークは、文レベルのエンコーダを使用してセマンティックナレッジグラフを構築して、商業製品と権威的な栄養データとを厳密に整合させることから始まる。 トレーニングフェーズでは、暗黙の物理正則化器が異なる熱力学的損失関数を適用し、学習された潜伏埋め込みが単純な人気よりも栄養学的な妥当性を反映することを保証する。 その後、推論フェーズにおいて、明示的な物理オプティマイザは、シミュレーションされたアニールと弾性量の最適化を用いて、ユーザのタンパク質とカロリーターゲットに厳密に固執する離散的な食料品バンドルを生成する。

関連論文リスト

• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption [44.77883047868218]
  本稿では,大規模言語モデルとE(3)-同変グラフ変換器を結合したマルチモーダルフレームワークQE-Catalyticを提案する。 予測中、QE-Catalyticは3次元構造と構造化された構成テキストを共同で利用し、言語チャネルに「3次元幾何学情報」を注入する。 OC20では、QE-Catalytic は緩和された吸着エネルギーの MAE を 0.713eV から 0.486eV に還元し、ベースラインモデルより一貫して優れる。
  論文  参考訳（メタデータ） (2025-12-23T06:27:30Z)
• Unlocking Out-of-Distribution Generalization in Dynamics through Physics-Guided Augmentation [46.40087254928057]
  物理誘導量拡張プラグインのSPARKについて述べる。 多様なベンチマーク実験により、SPARKは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2025-10-28T09:30:35Z)
• Study Design and Demystification of Physics Informed Neural Networks for Power Flow Simulation [2.3641090634080064]
  電力フローシミュレータは、実装前の潜在的な動作を評価することで演算子をサポートするために一般的に使用される。 従来の物理ソルバは正確だが、ほぼリアルタイムで使うには遅すぎることが多い。 機械学習モデルは高速サロゲートとして登場し、物理法則への準拠を改善する。 本稿では, 物理的制約を正規化用語として組み込んだり, 教師なしの損失から, ハイブリダイゼーション戦略をデミスティフィケートするためのアブレーション研究について述べる。
  論文  参考訳（メタデータ） (2025-09-23T16:55:13Z)
• KO: Kinetics-inspired Neural Optimizer with PDE Simulation Approaches [45.173398806932376]
  本稿では、運動理論と偏微分方程式(PDE)シミュレーションにインスパイアされた新しい神経勾配であるKOを紹介する。 我々は、ネットワークパラメータの力学を、運動原理によって支配される粒子系の進化として再想像する。 この物理駆動のアプローチは、パラメータ凝縮の現象を緩和し、最適化中のパラメータの多様性を本質的に促進する。
  論文  参考訳（メタデータ） (2025-05-20T18:00:01Z)
• MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
  Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。 我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。 ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-12-12T01:02:09Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Physics-Informed Neural Networks for an optimal counterdiabatic quantum computation [32.73124984242397]
  我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。 この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
  論文  参考訳（メタデータ） (2023-09-08T16:55:39Z)
• Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
  このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。 提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
  論文  参考訳（メタデータ） (2022-10-27T23:26:57Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)

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。