論文の概要: Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings

• arxiv url: http://arxiv.org/abs/2605.22391v1
• Date: Thu, 21 May 2026 12:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.250358
• Title: Epicure: Navigating the Emergent Geometry of Food Ingredient Embeddings
• Title（参考訳）: Epicure: 食品由来の埋め込みの創発的形状をナビゲートする
• Authors: Jakub Radzikowski, Josef Chen,
• Abstract要約: 多言語レシピコーパスにスクラッチから再学習した3種類のスキップグラム成分を組み込んだEpicureを提示する。 我々は、7つの言語にまたがる11のソースから414万のレシピを収集し、LLM拡張パイプラインを介して原材料文字列を1,790の標準エントリに正規化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Epicure, a family of three sibling skip-gram ingredient embeddings retrained from scratch on a multilingual recipe corpus. We aggregate 4.14M recipes from 11 sources spanning seven languages, English, Chinese, Russian, Vietnamese, Spanish, Turkish, Indonesian, German, and Indian-English, and normalise the raw ingredient strings to 1,790 canonical entries via an LLM-augmented pipeline. A 203,508-edge ingredient-ingredient NPMI graph and an 80,019-edge typed FlavorDB ingredient-compound graph, 2,247 typed compound nodes across 15 categories, seed three Metapath2Vec variants that share architecture and hyperparameters and differ only in the random-walk schema: Cooc walks the co-occurrence graph only, Chem walks the typed compound metapaths only, and Core blends both via injected ingredient-ingredient walks at controlled mixing, placing each model at a distinct point on the chemistry-vs-recipe-context spectrum.
• Abstract（参考訳）: 多言語レシピコーパスにスクラッチから再学習した3種類のスキップグラム成分を組み込んだEpicureを提示する。 我々は、7つの言語、英語、中国語、ロシア語、ベトナム語、スペイン語、トルコ語、インドネシア語、ドイツ語、インド英語にまたがる11のソースから414万のレシピを収集し、LLM拡張パイプラインを介して、原料文字列を1,790の標準エントリに正規化する。 203,508縁の食材含有量NPMIグラフと80,019縁の型付きFravorDB食材複合グラフ、15カテゴリにわたる2,247個のタイプ付き複合ノード、アーキテクチャとハイパーパラメータを共有し、ランダムウォークスキーマでのみ異なる3つのMetapath2Vec変異体。

関連論文リスト

• Epicure: Multidimensional Flavor Structure in Food Ingredient Embeddings [0.0]
  食味、食感、文化的なアイデンティティに関するシェフの直感は、料理の実践の中心でありながら明瞭に表現することが難しい暗黙の知識を表している。 この知識はすでにフラーバーグラフの300次元成分埋め込みにコード化されており、レシピの共起と食品化学に基づいて訓練されている。 LLM強化キュレーションパイプラインは、6,653個のFravorGraph成分を1,032個の標準成分に集約し、回収可能な構造を大幅に強化した。
  論文  参考訳（メタデータ） (2026-04-02T18:56:30Z)
• Open Biomedical Knowledge Graphs at Scale: Construction, Federation, and AI Agent Access with Samyama Graph Database [0.0]
  オープンソースバイオメディカル知識グラフとして,パスKG,臨床トライアルKG,薬物相互作用KGの3つを提示する。 まず、異種公開データソースから大規模KGを構築するための高性能グラフについて述べる。 次に、3つのスナップショットを1つのグラフテナントにロードすることで、プロパティベースの結合が可能になる。
  論文  参考訳（メタデータ） (2026-03-16T10:36:13Z)
• Meta CLIP 2: A Worldwide Scaling Recipe [112.4690561863437]
  私たちは,世界規模のWebスケールイメージテキストペア上でCLIPをゼロからトレーニングする最初のレシピであるMeta CLIP 2を紹介する。 ゼロショットイメージネットの分類では、Meta CLIP 2 ViT-H/14は英語のみの分類を0.8%、mSigLIPを0.7%上回る。
  論文  参考訳（メタデータ） (2025-07-29T17:59:58Z)
• 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)
• DiNeR: a Large Realistic Dataset for Evaluating Compositional Generalization [30.05945103235578]
  本稿では,DiNeR(Dish NamE Recognition)タスクを提案する。 レシピの指導を受けると、モデルは料理、行動、フレーバーの様々な組み合わせからなる料理名を認識する必要がある。 我々のデータセットは3,811の料理と228,114のレシピで構成されており、アナフォラ、省略、曖昧さといった多くの言語現象を伴っている。
  論文  参考訳（メタデータ） (2024-06-07T06:35:21Z)
• Cross-lingual Adaptation for Recipe Retrieval with Mixup [56.79360103639741]
  近年,大規模なペアリングデータの提供により,クロスモーダルなレシピ検索が研究の注目を集めている。 本稿では,ソース領域とターゲット領域のレシピが異なる言語で作成される画像からレシピ検索のための教師なし領域適応について検討する。 2つの領域間の移動可能な埋め込み特徴を学習するために,新しいレシピ・ミックスアップ法を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:04:39Z)
• A Large-Scale Benchmark for Food Image Segmentation [62.28029856051079]
  我々は9,490枚の画像を含む新しい食品画像データセットFoodSeg103(およびその拡張FoodSeg154)を構築します。 これらの画像に154種類の成分を付加し,各画像は平均6つの成分ラベルと画素単位のマスクを有する。 ReLeMと呼ばれるマルチモダリティプリトレーニングアプローチを提案し、豊富なセマンティックな食品知識を持つセグメンテーションモデルを明確に装備します。
  論文  参考訳（メタデータ） (2021-05-12T03:00:07Z)
• 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)
• A Named Entity Based Approach to Model Recipes [9.18959130745234]
  本稿では,この一様構造におけるレシピの最良の表現を推論するパイプラインだけでなく,レシピを正確に表現できる構造を提案する。 レシピのingredientsセクションは通常、必要な材料と、量、温度、処理状態などの対応する属性をリストアップする。 指示部は、これらの器具や具材に調理技術や工程を適用する一連の事象を列挙する。
  論文  参考訳（メタデータ） (2020-04-25T16:37:26Z)

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。