論文の概要: FAM-Bench: A Multimodal Benchmark for Condition-Aware Food-as-Medicine Reasoning

• arxiv url: http://arxiv.org/abs/2605.31410v1
• Date: Fri, 29 May 2026 15:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.69167
• Title: FAM-Bench: A Multimodal Benchmark for Condition-Aware Food-as-Medicine Reasoning
• Title（参考訳）: FAM-Bench:コンディションアウェア・アズ・メディシン推論のためのマルチモーダルベンチマーク
• Abstract要約: ダイエット・アズ・メディシン(英語版)は、料理が何であるか、あるいは栄養素を含むかを推論するモデルを必要とする。 FAM-Benchは、13の食事関連健康状態において、2500の栄養試験を検証したマルチモーダルフード・アズ・メディシン・ベンチマークである。
• 参考スコア（独自算出の注目度）: 13.155414326278219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Food-as-Medicine requires models to reason beyond what a dish is or what nutrition it contains: they must decide whether a concrete food choice is appropriate for a specific health condition. Existing food AI benchmarks primarily evaluate dish recognition, recipe understanding, nutrient estimation, or general nutrition question answering, leaving this health-aware decision layer largely untested. We introduce FAM-Bench, a multi-modal Food-as-Medicine benchmark with 2500 nutrition-expert-verified instances across 13 diet-related health conditions. The benchmark contains two complementary tasks: dish-level suitability assessment, where models judge whether a dish is suitable for a condition from its image and ingredient list, and comparative dish analysis, where models rank four candidate dishes by condition-specific suitability. Both tasks require integrating ingredient evidence, visual preparation cues, and clinical nutrition constraints, providing a standardized testbed for grounded health-aware reasoning in language and vision-language models.
• Abstract（参考訳）: 食品・アズ・メディシン(英語版)は、料理が何であるか、あるいはそれがどの栄養素を含むのかを推論するモデルを必要としている:具体的な食品の選択が特定の健康状態に適切かどうかを決定する必要がある。 既存の食品AIベンチマークは、主に、料理の認識、レシピの理解、栄養素の推定、あるいは一般的な栄養問題応答を評価し、この健康を意識した決定層は、ほとんど検証されていない。 FAM-Benchは、13の食事関連健康状態において、2500の栄養試験を検証したマルチモーダルフード・アズ・メディシン・ベンチマークである。 このベンチマークには2つの補完的なタスクが含まれている:料理レベル適合性評価(英語版)、その画像と成分リストから料理が適当かどうかを判断するモデル、および4つの候補料理を条件固有の適合性でランク付けする比較皿分析(英語版)である。 どちらのタスクも、具体的証拠、視覚的準備方法、臨床栄養の制約を統合することを必要とし、言語および視覚言語モデルにおける基礎的な健康認識推論のための標準化されたテストベッドを提供する。

関連論文リスト

• OmniFood-Bench: Evaluating VLMs for Nutrient Reasoning and Personalized Health Advice [4.592259709047762]
  MM-Food-100Kデータセットから構築した総合ベンチマークであるOmniFood-Benchを紹介する。 我々は6つの最先端大視野モデル(VLM)を評価する。 モデルは皿の命名においてほぼ人間に近い精度を達成するが、大量推定において破滅的な失敗を示し、高リスク糖尿病のプロファイルに対する良心的アドバイスを頻繁に幻覚させる。
  論文  参考訳（メタデータ） (2026-07-09T12:46:00Z)
• 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)
• NGQA: A Nutritional Graph Question Answering Benchmark for Personalized Health-aware Nutritional Reasoning [49.06840168630573]
  食事は人間の健康において重要な役割を担っているが、個々の健康状態に対する食事の理由付けは大きな課題である。 栄養質問回答(QA)は,この問題に対処するための一般的な方法である。 栄養学的健康推論のために設計された最初のグラフ質問応答データセットであるNGQA(Nutritional Graph Question Answering)ベンチマークを紹介する。
  論文  参考訳（メタデータ） (2024-12-20T04:13:46Z)
• 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)
• 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)
• Image-Based Dietary Assessment: A Healthy Eating Plate Estimation System [0.0]
  食生活の栄養質は過去20年から30年の間に著しく悪化し、人々はしばしば低下を過小評価している。 本稿では,イメージ分析による食事の健康度評価を目的とした,革新的なイメージベース食事アセスメントシステムを提案する。 本システムでは, 皿上の食品を解析し, その割合を評価し, ハーバード大学の健康食品推奨事項に対する食事の付着度を計算するために, 高度な画像分割と分類技術を用いている。
  論文  参考訳（メタデータ） (2024-03-02T21:01:01Z)
• 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)
• Personalized Food Recommendation as Constrained Question Answering over a Large-scale Food Knowledge Graph [16.58534326000209]
  本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。 ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。 我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2021-01-05T20:38:16Z)

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。