論文の概要: Translating Dietary Standards into Healthy Meals with Minimal Substitutions

• arxiv url: http://arxiv.org/abs/2602.13502v1
• Date: Fri, 13 Feb 2026 22:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.118558
• Title: Translating Dietary Standards into Healthy Meals with Minimal Substitutions
• Title（参考訳）: 食事基準を最小置換量で健康な食事に翻訳する
• Authors: Trevor Chan, Ilias Tagkopoulos,
• Abstract要約: 食事の標準を最小限の変更で完全な食事に変換するエンドツーエンドの枠組みを提案する。 我々は、USDA栄養目標を満たすために、生成モデルと部分予測器を条件に使用する34種類の解釈可能な食事アーチタイプを同定した。 その結果,1～3回の食品代替を許すことで,平均19～32%のコスト削減を図った。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An important goal for personalized diet systems is to improve nutritional quality without compromising convenience or affordability. We present an end-to-end framework that converts dietary standards into complete meals with minimal change. Using the What We Eat in America (WWEIA) intake data for 135,491 meals, we identify 34 interpretable meal archetypes that we then use to condition a generative model and a portion predictor to meet USDA nutritional targets. In comparisons within archetypes, generated meals are better at following recommended daily intake (RDI) targets by 47.0%, while remaining compositionally close to real meals. Our results show that by allowing one to three food substitutions, we were able to create meals that were 10% more nutritious, while reducing costs 19-32%, on average. By turning dietary guidelines into realistic, budget-aware meals and simple swaps, this framework can underpin clinical decision support, public-health programs, and consumer apps that deliver scalable, equitable improvements in everyday nutrition.
• Abstract（参考訳）: パーソナライズされた食事システムにとって重要なゴールは、利便性や手頃さを損なうことなく栄養質を改善することである。 食事の標準を最小限の変更で完全な食事に変換するエンドツーエンドの枠組みを提案する。 135,491食のWWEIA(What We Eat in America)摂取データを用いて,USDA栄養目標を満たすための生成モデルと部分予測器を条件に,34種類の解釈可能な食事アーチタイプを同定した。 アーチェタイプで比較すると、生成した食事は推奨の1日摂取量(RDI)が47.0%向上するのに対して、実際の食事に近づいたままである。 その結果,1～3回の食品代替を許すことで,平均19～32%のコスト削減を図った。 食事ガイドラインを現実的で予算に見合った食事や簡単なスワップにすることで、このフレームワークは臨床上の意思決定支援、公衆衛生プログラム、そして日々の栄養のスケーラブルで公平な改善を提供するコンシューマーアプリを支えることができる。

関連論文リスト

• GLEN-Bench: A Graph-Language based Benchmark for Nutritional Health [48.94971812317643]
  GLEN-Benchは,栄養学的健康評価のためのグラフ言語に基づく最初の総合ベンチマークである。 GLEN-Benchは3つの関連タスクを含む: リスク検出は、食生活や社会経済的パターンからリスクのある個人を識別する; 推奨は、リソース制約の中で臨床ニーズを満たすパーソナライズされた食品を提案する。 我々の分析では、健康リスクに関連する明確な食事パターンを特定し、実践的な介入を導くための洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-26T03:32:46Z)
• 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)
• A Novel Approach to Balance Convenience and Nutrition in Meals With Long-Term Group Recommendations and Reasoning on Multimodal Recipes and its Implementation in BEACON [11.650186156080439]
  我々は、カスタマイズ可能な食事構成と時間的地平を考慮に入れた食事レコメンデーションのためのデータ駆動ソリューションを提案する。 コントリビューションには、良さ対策の導入、テキストから最近導入されたマルチモーダル・リッチ・レシピ表現(R3)フォーマットへのレシピ変換方法、BEACONシステムのプロトタイプ、使用感に着想を得た。
  論文  参考訳（メタデータ） (2024-12-23T19:05:27Z)
• NutriBench: A Dataset for Evaluating Large Language Models on Nutrition Estimation from Meal Descriptions [6.223619389512576]
  NutriBenchは、初めて公開された自然言語による食事記述栄養ベンチマークである。 世界の食事摂取データから生成された11,857件の食事記述から成っている。 データは人間によって検証され、炭水化物、タンパク質、脂肪、カロリーを含むマクロ栄養ラベルで注釈付けされている。
  論文  参考訳（メタデータ） (2024-07-04T15:10:51Z)
• 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)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• NutritionVerse-3D: A 3D Food Model Dataset for Nutritional Intake Estimation [65.47310907481042]
  高齢者の4人に1人は栄養不良です。 機械学習とコンピュータビジョンは、食品の自動栄養トラッキング方法の約束を示す。 NutritionVerse-3Dは、105個の3D食品モデルの大規模な高解像度データセットである。
  論文  参考訳（メタデータ） (2023-04-12T05:27:30Z)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
  栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。 米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。 提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
  論文  参考訳（メタデータ） (2022-06-05T02:41:44Z)

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。