論文の概要: Leveraging AI for fine-grained food safety risk forecasting in sparse data conditions
- arxiv url: http://arxiv.org/abs/2608.01767v1
- Date: Mon, 03 Aug 2026 06:41:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.352609
- Title: Leveraging AI for fine-grained food safety risk forecasting in sparse data conditions
- Title（参考訳）: 粗いデータ条件下での食品安全リスク予測のためのAIの活用
- Abstract要約: 本研究では,細粒度で都市レベルの食品安全リスクを予測できるトランスフォーマーベースのフレームワークを提案する。
提案した枠組みは,グローバルな食料供給の積極的な,データ駆動による監視を促進する可能性を秘めている。
- 参考スコア（独自算出の注目度）: 10.69283914890694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring food safety represents a critical public health challenge, particularly when inspection resources are limited and regional sampling data are sparse. This study proposes a Transformer-based framework capable of forecasting fine-grained, city-level food safety risks by unifying over 11 million inspection records with supplemental demographic, economic, and environmental indicators extracted from the Statistical Yearbook. A three-stage pretraining design leverages partial supervision from the Wilson interval (capturing both safety and risk rankings), together with semi-supervised label refinement, to effectively utilize historical records even when local sample sizes are insufficient. Experimental evaluations on data from 2022 show that the proposed approach outperforms baselines significantly. A subsequent field experiment in collaboration with the Zhejiang Provincial Administration for Market Regulation further demonstrates improved detection rates and more efficient allocation of inspection resources compared to a manually developed plan. Observations of regulatory decision-making reveal a threshold-based heuristic employed by inspectors, hinting that additional training or decision-support interfaces could further enhance the impact of AI-generated risk scores. Overall, these findings underscore that a rigorous integration of large-scale public inspection data, Wilson interval-based confidence modeling, and advanced deep learning can facilitate earlier and more granular identification of food safety threats. By reducing reliance on reactive measures alone, the proposed framework has the potential to advance proactive, data-driven oversight of the global food supply.
- Abstract（参考訳）: 食品安全の確保は公衆衛生上の重要な課題であり、特に検査資源が限られており、地域サンプリングデータが不足している場合である。
本研究では, 統計年鑑から抽出した人口, 経済, 環境指標と1100万件以上の検査記録を統合することで, 細粒度で都市レベルの食品安全リスクを予測できるトランスフォーマーベースのフレームワークを提案する。
3段階の事前訓練設計では、ウィルソン区間からの部分的な監督(安全とリスクのランク付けの両方を確保)と半監督ラベルの改良を利用して、局所的なサンプルサイズが不十分な場合でも、歴史的記録を効果的に活用する。
2022年のデータによる実験結果から,提案手法はベースラインを著しく上回ることがわかった。
その後のZhejiang Provincial Administration for Market Regulationとの協力によるフィールド実験では、手作業による開発計画と比較して、検出率の改善と検査資源の効率的な配分が示されている。
規制決定の観察により、検査官が採用するしきい値に基づくヒューリスティックが明らかとなり、追加のトレーニングや意思決定支援インターフェースがAIが生成するリスクスコアの影響をさらに高める可能性があることを示唆している。
これらの結果は,大規模な公衆検査データの厳密な統合,ウィルソン区間の信頼度モデリング,高度な深層学習により,食品安全性の脅威の早期かつより詳細な識別が容易であることを示している。
反応性対策のみへの依存を減らすことで、提案枠組みは、グローバルな食料供給の積極的なデータ駆動の監視を前進させる可能性がある。
関連論文リスト
- Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Data-dependent Exploration for Online Reinforcement Learning from Human Feedback [50.34161049551627]
人的フィードバックからのオンライン強化学習(RLHF)は、トレーニング中に新たな嗜好フィードバックを継続的に収集することにより、大規模言語モデル(LLM)を整合させるための有望なパラダイムとして登場した。
既存の調査戦略は、しばしば政治上の期待を通じてボーナスを導き出すが、これは訓練中に利用できる限られた歴史的嗜好データから確実に見積もることが難しい。
高不確実性領域に対する余分な不確実性ボーナスを構築するために、履歴データを活用するシンプルでスケーラブルなデータ依存型選好最適化法(DEPO)を提案する。
論文 参考訳（メタデータ） (2026-05-06T03:56:45Z) - Latent Dynamics-Aware OOD Monitoring for Trajectory Prediction with Provable Guarantees [8.920589816043298]
安全クリティカルなサイバー物理システムでは、正確な軌道予測が下流の計画と制御に不可欠なガイダンスを提供する。
このようなOODイベントの検出は、トラフィック条件の進化とインタラクションパターンの変化によって困難である。
我々は,変化後分布の明示的な知識を必要とせずに,累積最大離散性アプローチを拡張して検出を可能にする。
3つの実世界の運転データセットの実験では、重み付きエラーや未知のポストチェンジ条件に対する検出遅延と堅牢性の低減が示されている。
論文 参考訳（メタデータ） (2026-03-15T20:56:57Z) - Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts [51.37000123503367]
予測駆動型リスクモニタリング(PPRM)を提案する。
PPRMは、合成ラベルを真のラベルの小さなセットと組み合わせることで、ランニングリスクの任意の有意な下界を構築する。
本稿では,画像分類,大規模言語モデル(LLM),通信監視タスクの広範な実験を通じて,PPRMの有効性を実証する。
論文 参考訳（メタデータ） (2026-02-02T15:32:14Z) - Beta Distribution Learning for Reliable Roadway Crash Risk Assessment [21.371420424228077]
道路交通事故は世界的な健康危機であり、毎年100万人以上が死亡し、多くの国がGDPの最大3%を犠牲にしている。
伝統的な交通安全研究は、しばしば、構築された環境に固有の空間的複雑さと文脈的相互作用を見越して、孤立中のリスク要因を調べる。
本稿では,衛星画像を包括的空間入力として活用する新しいディープラーニングフレームワークを提案する。
このアプローチにより, 致命的な事故リスクに寄与する環境リスク要因や環境パターンを把握できる。
論文 参考訳（メタデータ） (2025-11-07T00:08:55Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Anchoring Refusal Direction: Mitigating Safety Risks in Tuning via Projection Constraint [52.878820730054365]
インストラクションファインチューニング(IFT)は,大規模言語モデル(LLM)の能力向上のための効果的なポストトレーニング戦略として広く採用されている。
LLMの内部機構に関する最近の研究は、隠蔽状態における拒絶方向(r方向)を同定し、拒絶行動の制御において重要な役割を担っている。
このようなドリフトを緩和するため,提案手法では,各トレーニングサンプルの隠れ状態のr方向への投射の大きさを規則化する投射制約損失項を導入する。
論文 参考訳（メタデータ） (2025-09-08T15:24:33Z) - Beyond Reactive Safety: Risk-Aware LLM Alignment via Long-Horizon Simulation [69.63626052852153]
本稿では,モデル生成によるアドバイスが社会システムを通じてどのように伝播するかを示す概念実証フレームワークを提案する。
また、100の間接的な害シナリオのデータセットを導入し、害のないユーザプロンプトから有害で非有害な結果を予測するモデルの能力をテストする。
論文 参考訳（メタデータ） (2025-06-26T02:28:58Z) - Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。
従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
論文 参考訳（メタデータ） (2024-07-20T10:45:06Z) - Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security [12.8405655328298]
既存のメソッドは、ノイズ、データ不完全性、セキュリティ脆弱性といった問題に悩まされることが多い。
本稿では,EUPAS(Adversarial Self-Supervised Learning)を用いた都市域プロファイリング手法を提案する。
EUPASは、犯罪予測、チェックイン予測、土地利用分類などの様々な予測タスクにおいて、堅牢なパフォーマンスを保証する。
論文 参考訳（メタデータ） (2024-02-02T06:06:45Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - A generalized forecasting solution to enable future insights of COVID-19
at sub-national level resolutions [0.0]
本研究は、封じ込め対策を局所的に実施可能な地域において、毎日の新型コロナウイルスの新規感染者を予測することを目的としている。
本研究の貢献は,その領域の疫学的ダイナミクスに基づく非決定論的エピ曲線のスムーズ化に最適化されたスムーズ化技術,特定領域のデータを用いてトレーニングした長短短期記憶に基づく予測モデル,およびエピ曲線に見られるデータ不均衡を緩和するトレーニング中の適応的損失関数である。
論文 参考訳（メタデータ） (2021-08-21T17:47:52Z)
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。