論文の概要: FEAST: Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System

• arxiv url: http://arxiv.org/abs/2603.03176v1
• Date: Tue, 03 Mar 2026 17:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.89082
• Title: FEAST: Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System
• Title（参考訳）: FEAST:Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System
• Authors: Lorenzo Molfetta, Alessio Cocchieri, Stefano Fantazzini, Giacomo Frisoni, Luca Ragazzi, Gianluca Moro,
• Abstract要約: 本稿では,FoodEx2分類を3段階に分解する新しい検索拡張フレームワークであるFEASTを提案する。 システムの階層構造を活用して、トレーニングをガイドし、深いメートル法学習を実行することで、FEASTlearnはデータの疎さを識別的に埋め込む。 FEASTはヨーロッパのCNNベースラインF1のスコアを12-38%上回っている。
• 参考スコア（独自算出の注目度）: 14.903505304052937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical text classification (HTC) and extreme multi-label classification (XML) tasks face compounded challenges from complex label interdependencies, data sparsity, and extreme output dimensions. These challenges are exemplified in the European Food Safety Authority's FoodEx2 system-a standardized food classification framework essential for food consumption monitoring and contaminant exposure assessment across Europe. FoodEx2 coding transforms natural language food descriptions into a set of codes from multiple standardized hierarchies, but faces implementation barriers due to its complex structure. Given a food description (e.g., "organic yogurt''), the system identifies its base term ("yogurt''), all the applicable facet categories (e.g., "production method''), and then, every relevant facet descriptors to each category (e.g., "organic production''). While existing models perform adequately on well-balanced and semantically dense hierarchies, no work has been applied on the practical constraints imposed by the FoodEx2 system. The limited literature addressing such real-world scenarios further compounds these challenges. We propose FEAST (Food Embedding And Semantic Taxonomy), a novel retrieval-augmented framework that decomposes FoodEx2 classification into a three-stage approach: (1) base term identification, (2) multi-label facet prediction, and (3) facet descriptor assignment. By leveraging the system's hierarchical structure to guide training and performing deep metric learning, FEASTlearns discriminative embeddings that mitigate data sparsity and improve generalization on rare and fine-grained labels. Evaluated on the multilingual FoodEx2 benchmark, FEAST outperforms the prior European's CNN baseline F1 scores by 12-38 % on rare classes.
• Abstract（参考訳）: 階層的テキスト分類(HTC)と極端なマルチラベル分類(XML)タスクは、複雑なラベル相互依存、データ空間、極端な出力次元といった課題に直面している。 これらの課題は欧州食品安全機関(European Food Safety Authority)のFoodEx2システムで実証されている。 FoodEx2コーディングは、自然言語の食品記述を複数の標準化された階層から一連のコードに変換するが、複雑な構造のために実装上の障壁に直面している。 食品の説明(例:「有機ヨーグルト」)を与えられたシステムは、基本用語(例:「有機ヨーグルト」)、適用可能なすべてのファセットカテゴリー(例:「生産方法」)を識別し、各カテゴリ(例:「有機生産」)に関連するすべてのファセット記述子(例:「有機生産」)を識別する。 既存のモデルは、バランスよく、セマンティックに密集した階層上で適切に機能するが、FoodEx2システムによって課される実践的制約については何も適用されていない。 このような現実のシナリオに対処する限られた文献は、これらの課題をさらに複雑にしている。 FEAST (Food Embedding and Semantic Taxonomy) は, (1) 基本項の識別, (2) 複数ラベルの顔の予測, (3) 顔のディスクリプタの割り当てという3段階のアプローチに, FoodEx2 の分類を分解した新しい検索フレームワークである。 FEASTlearnは、システムの階層構造を活用して、トレーニングをガイドし、深いメートル法学習を実行することにより、データの分散を緩和し、希少できめ細かなラベルの一般化を改善する差別的な埋め込みを実現する。 FEASTは多言語FoodEx2ベンチマークで評価され、ヨーロッパのCNNベースラインF1スコアを12-38%上回っている。

関連論文リスト

• LLMs-based Augmentation for Domain Adaptation in Long-tailed Food Datasets [54.527878056610156]
  食品認識におけるこれらの課題に対処するために,大規模言語モデル(LLM)を用いた枠組みを提案する。 まず LLM を利用して食品イメージを解析し,食品のタイトルや材料を生成する。 そして、生成したテキストと食品の画像を異なるドメインから共有埋め込み空間に投影し、ペアの類似性を最大化する。
  論文  参考訳（メタデータ） (2025-11-20T04:38:56Z)
• SemEval-2025 Task 9: The Food Hazard Detection Challenge [2.7268409633809907]
  長い尾の分布クラスを用いたテキストベースの食害予測について検討する。 この結果から,大規模言語モデル生成合成データが長期分布のオーバーサンプリングに有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-25T16:09:14Z)
• SRFUND: A Multi-Granularity Hierarchical Structure Reconstruction Benchmark in Form Understanding [55.48936731641802]
  階層的に構造化されたマルチタスク形式理解ベンチマークであるSRFUNDを提案する。 SRFUNDはオリジナルのFUNSDとXFUNDデータセットの上に洗練されたアノテーションを提供する。 データセットには、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語を含む8つの言語が含まれている。
  論文  参考訳（メタデータ） (2024-06-13T02:35:55Z)
• CICLe: Conformal In-Context Learning for Largescale Multi-Class Food Risk Classification [2.8894038270224867]
  トレーニング用のラベル付きWebテキストセットが与えられたら、機械学習と自然言語処理を適用して、そのようなリスクを自動的に検出することができる。 我々は,公開食品リコール発表を記述した7,546の短いテキストのデータセットを公開している。 データセットとベンチマークナイーブ、従来型、トランスフォーマーモデルについて説明する。
  論文  参考訳（メタデータ） (2024-03-18T16:04:55Z)
• Hierarchical Query Classification in E-commerce Search [38.67034103433015]
  電子商取引プラットフォームは通常、製品情報と検索データを階層構造に保存し、構造化する。 ユーザ検索クエリを同様の階層構造に効果的に分類することは,eコマースプラットフォーム上でのユーザエクスペリエンスの向上,ニュースキュレーションや学術研究において最重要である。 階層的問合せ分類の本質的な複雑さは,(1)支配的カテゴリに傾倒する顕著なクラス不均衡,(2)正確な分類を妨げる検索クエリの本質的簡潔さとあいまいさの2つの課題によって複雑化されている。
  論文  参考訳（メタデータ） (2024-03-09T21:55:55Z)
• Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
  本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。 提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。 提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-22T13:59:47Z)
• Long-tailed Food Classification [5.874935571318868]
  本稿では,フード101-LTとVFN-LTを含む長期食品分類のための2つの新しいベンチマークデータセットを提案する。 本稿では,(1)本級における授業不均衡問題に対処する新しい2相枠組みを提案し,知識蒸留による学習情報の保持とともに冗長なサンプルを除去する。 本手法の有効性は,既存の最先端のロングテール分類法と比較し,Food101-LTとVFN-LTのベンチマークにおいて改善された性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T14:29:30Z)
• Learning Structural Representations for Recipe Generation and Food Retrieval [101.97397967958722]
  本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。 提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-10-04T06:36:31Z)
• Visual Aware Hierarchy Based Food Recognition [10.194167945992938]
  本稿では,コンボリューショナルニューラルネットワーク(CNN)をバックボーンアーキテクチャとして用いた2段階の食品認識システムを提案する。 食品ローカライゼーションのステップは、食品領域を識別するFaster R-CNN法の実装に基づいている。 食品分類工程では、視覚的に類似した食品カテゴリーを自動的にまとめて階層構造を生成することができる。
  論文  参考訳（メタデータ） (2020-12-06T20:25:31Z)
• Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
  食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。 ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。 本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-02T10:54:25Z)
• ISIA Food-500: A Dataset for Large-Scale Food Recognition via Stacked Global-Local Attention Network [50.7720194859196]
  ウィキペディアのリストから500のカテゴリと399,726の画像を含むデータセットISIA Food-500を紹介する。 このデータセットは、既存の一般的なベンチマークデータセットをカテゴリカバレッジとデータボリュームで上回る。 食品認識のための2つのサブネットワークからなるグローバルローカルアテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T02:48:27Z)

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。