論文の概要: Statistically Supported LLM Ingredient and Recipe Data Collection in Computational Nutrition

• arxiv url: http://arxiv.org/abs/2607.23273v1
• Date: Sat, 25 Jul 2026 16:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.046513
• Title: Statistically Supported LLM Ingredient and Recipe Data Collection in Computational Nutrition
• Title（参考訳）: 計算栄養学における統計的支援型LCMイングレディエントおよびレシピデータ収集
• Abstract要約: 計算栄養は正確な成分データを必要とする。 現在のデータベースは不完全で一貫性がなく、自動推論ではなく人間の参照のために構築されている。 成分データ取得のための品質制御LLMパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational nutrition needs precise ingredient data, but current databases are incomplete, inconsistent, and built for human reference rather than automated reasoning. LLMs could help fill these gaps, but single-pass outputs are unreliable and can introduce silent errors into downstream computation. We present a quality-controlled LLM pipeline for ingredient data acquisition that combines robust statistical estimation, domain-specific invariant checks, and a web-fetch fallback. An illustrative Heap's Law fit to 233 recipes suggests that unique-ingredient growth is sub-linear and front-loaded: the projected ratio of unique ingredients to recipes falls from 1.74 at 100 recipes to 0.19 at 5,000. For each ingredient attribute, repeated LLM queries are treated as samples from a model-induced answer distribution, and we apply robust point estimators and normalised confidence scores across numerical, Boolean, multiple-choice, open categorical, and optional integer types. An invariant guard layer enforces nutritional and logical self-consistency within each ingredient record. Minor numeric inconsistencies are reconciled via a linear program that minimises worst-case percentage deviation while preserving semantic zeros, and major violations are escalated to web-evidence-grounded repair, then human review only if that fails. On a curated 30-ingredient reference set, the pipeline achieves 98.4% exact match on nutrient flags and cuts median absolute percentage error on nutrient ratios from 31.9% for the median-aggregated baseline to 10.1%, a reduction of 21.8 percentage points, at an API cost of about $1 per ingredient. This frames LLM-assisted database construction as a controlled data-engineering workflow that makes uncertainty operational rather than discarding it.
• Abstract（参考訳）: 計算栄養学は正確な成分データを必要とするが、現在のデータベースは不完全で一貫性がなく、自動推論ではなく人間の参照のために構築されている。 LLMはこれらのギャップを埋めるのに役立つが、シングルパス出力は信頼性が低く、下流の計算にサイレントエラーを導入することができる。 本稿では、ロバストな統計的推定、ドメイン固有の不変チェック、Web-fetchフォールバックを組み合わせた、成分データ取得のための品質制御LLMパイプラインを提案する。 233のレシピに適合するヒープの法則は、独特な材料とレシピの投射比が100のレシピで1.74から5,000の0.19に減少し、独特な非依存的な成長がサブリニアであり、フロントロードされていることを示唆している。 各成分属性に対して、繰り返しLLMクエリをモデルによる応答分布のサンプルとして扱い、ロバストな点推定器と正規化された信頼度スコアを数値、ブール、多重選択、オープンカテゴリー、オプション整数タイプに適用する。 不変ガード層は、各成分記録内に栄養学的および論理的自己整合性を強制する。 マイナー数値の不整合は、セマンティックゼロを保ちながら最悪の割合の偏差を最小限に抑える線形プログラムを通じて調整され、主要な違反は、Webエビデンスによる修復によってエスカレートされ、それが失敗する場合のみ人間によるレビューが行われる。 キュレートされた30進度基準セットでは、栄養フラグの正確なマッチが98.4%に達し、中央集束ベースラインの31.9%から10.1%に減少し、APIコストは1成分あたり約1.1ドルである。 これは LLM 支援データベース構築を制御されたデータエンジニアリングワークフローとして捉え、それを破棄するのではなく、不確実性を実現する。

関連論文リスト

• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence [0.7340017786387767]
  先行スコアは,文脈メタデータにのみ含まれていても,判断をアンカーし,評価を評価値に体系的にシフトすることを示す。 人間のラベル付き地上真実によるカテゴリー産業データでは、アンカーされたメタデータは誤り訂正の48%をブロックし、割り当てられた間違ったラベルに対して正しい判断の10.18%をフリップする。
  論文  参考訳（メタデータ） (2026-08-26T14:41:24Z)
• Rethinking the Evaluation and Optimization of LLM-Based Social Simulation [56.18577997572273]
  主観性係数を用いて、主観性が高くなるにつれて、精度に基づく評価とハードラベルトレーニングがいかに失敗するかを分析する。 我々は193のアノテーションと100の主観的質問を含む19,300の文脈のベンチマークであるSUBJSIMを構築した。 SUBJSIMの結果は,本手法の利点を示すものである。
  論文  参考訳（メタデータ） (2026-08-20T06:26:03Z)
• Leak It: A Probabilistic Approach to Training-Data Extraction from Black-Box Language Models [0.0]
  確率レンズによるブラックボックス,サンプリングベーストレーニングデータ漏洩について検討した。 我々はブラインドベースライン批判をサンプリング体制に拡張する。 ブラックボックス抽出監査ツールである leakit をリリースしています。
  論文  参考訳（メタデータ） (2026-07-31T15:44:43Z)
• Mapping CVEs to MITRE ATT&CK Techniques: A Curated Gold-Set Classifier and the Limits of LLM-Assisted Label Expansion [46.262619407930266]
  我々は、専門家のMITRE Center for Threat-Informed Defense mappingsから1,207 CVEのキュレートされた金のデータセットにマルチラベル分類器をトレーニングする。 その結果得られたモデルは、ゼロショットの埋め込み類似性のベースラインと比較して、おおよそdoubles recall@5である。 次に,LLMによるラベリングが金のデータセットを拡張できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-07-28T10:59:04Z)
• Beyond Shapley: An Influence-Based Data Auditing Pipeline for LLM Alignment and Evaluation [2.733105115068754]
  反復モデルの再トレーニングなしにShapley値を近似する,スケーラブルで推論のみのデータアベイラビリティパイプラインを導入する。 重厚な2つのアライメントデータセットの衛生化におけるパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2026-07-24T03:31:44Z)
• K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation) [0.0]
  K-ABENAK-Adaptive Backpropagation with Error-based N-exclusionは選択的な計算フレームワークである。 これは、少量の低損失("ミニ")観測を除外することで、イット当たりの計算トレーニングコストを削減する。 ラベル制限下で0.386の精度(ベースライン:0.832)、極端な不均衡下で0.53のAUCに崩壊する。
  論文  参考訳（メタデータ） (2026-07-07T06:58:51Z)
• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• OpenSanctions Pairs: Large-Scale Entity Matching with LLMs [0.9131359219276399]
  我々は,実世界の国際制裁アグリゲーションとアナリストの重複から派生した,大規模エンティティマッチングベンチマークOpenSanctions Pairsをリリースした。 データセットには、31か国で293の異種源にまたがる755,540のラベル付きペアが含まれている。 オフザシェルフ LLM は生産ルールベースのベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-24T06:25:49Z)
• Mitigating Hallucinations in Healthcare LLMs with Granular Fact-Checking and Domain-Specific Adaptation [2.455449872438139]
  LLMとは独立して動作するファクトチェックモジュールを提案する。 我々のモデルはMIMIC IIIデータセット上でLoRa(Lo-Rank Adaptation)を用いて微調整される。 ファクトチェックモジュールは精度0.8904、リコール0.8234、F1スコア0.8556を達成する。
  論文  参考訳（メタデータ） (2025-12-18T05:23:47Z)
• Mask-DPO: Generalizable Fine-grained Factuality Alignment of LLMs [56.74916151916208]
  大型言語モデル(LLM)は、様々なドメインでAIアシスタントとして機能する際、幻覚(不信または非感覚的な情報)を示す。 学習中に必然的にノイズを発生させる応答レベルの嗜好学習を行う従来の事実アライメント手法。 本稿では,Mask-DPO (Direct Preference Optimization, DPO) に基づくファクトリティアライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-03-04T18:20:24Z)
• LLM Robustness Against Misinformation in Biomedical Question Answering [50.98256373698759]
  探索拡張生成(RAG)アプローチは,質問応答のための大規模言語モデル(LLM)の折り畳みを低減するために用いられる。 バイオメディカル質問に対する誤報に対する4つのLDMの有効性とロバスト性を評価した。
  論文  参考訳（メタデータ） (2024-10-27T16:23:26Z)
• CaLM: Contrasting Large and Small Language Models to Verify Grounded Generation [76.31621715032558]
  グラウンデッドジェネレーションは、言語モデル(LM)に、より信頼性が高く説明可能な応答を生成する能力を持たせることを目的としている。 本稿では,新しい検証フレームワークであるCaLMを紹介する。 我々のフレームワークは、より少ないパラメトリックメモリに依存する小さなLMを有効活用し、より大きなLMの出力を検証する。
  論文  参考訳（メタデータ） (2024-06-08T06:04:55Z)
• Can LLMs Separate Instructions From Data? And What Do We Even Mean By That? [60.50127555651554]
  大規模言語モデル(LLM)は、多くの実用的なアプリケーションにおいて印象的な結果を示すが、基本的な安全性機能は欠如している。 これにより、間接的なプロンプトインジェクションのような操作に脆弱になり、一般に安全クリティカルなタスクには適さない。 モデル出力から計算可能な命令データ分離の形式的尺度と経験的変量を導入する。
  論文  参考訳（メタデータ） (2024-03-11T15:48:56Z)

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。