論文の概要: Can We Trust AI Agents in the Supermarket? Sugar Content Inference from Product Images

• arxiv url: http://arxiv.org/abs/2608.12359v1
• Date: Sat, 04 Jul 2026 19:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.191496
• Title: Can We Trust AI Agents in the Supermarket? Sugar Content Inference from Product Images
• Title（参考訳）: スーパーマーケットでAIエージェントを信頼できるか?
• Abstract要約: 我々は,AIによるアドバイスが,有界で検証可能なタスクを用いて,規制付ラベリングに有意義に代用できるかどうかを評価する。 2-Alternative Forced Choiceゲームは、4つの国のスーパーマーケットコンテキストにわたるAIエージェントシステムの評価に使用された。 グローバル製品では、エージェントは88.9%の精度(p 0.0001対偶然)を達成した。 地元の製品(Sweden)では、精度は59.5%(p = 0.29)に低下し、AIのガイダンスはランダムな推測とは統計的に区別できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nutritional labels are legally permitted to appear in very small print, reducing real-world readability and encouraging consumers to rely on 'AI nutrition lens' and vision-capable conversational agents for dietary guidance. We evaluate whether such AI-mediated advice can meaningfully substitute for regulated labeling using a bounded, verifiable task: inferring which of two packaged foods contains less sugar from front-of-pack images alone. A Two-Alternative Forced Choice game was used to evaluate AI agent systems across four national supermarket contexts: Sweden, the USA, Australia, and Kazakhstan. The results (N=132 comparisons) across both agents reveal a significant performance divide contingent on context. For global products the agents achieved 88.9% accuracy (p < 0.0001 against chance). For local products (Sweden), accuracy dropped to 59.5% (p = 0.29), rendering the AI's guidance statistically indistinguishable from random guessing. These findings indicate a cross-market bias consistent with uneven training-data coverage, raising concerns about trust, equity, and accountability, particularly when nutritional judgment shifts from auditable public labels to proprietary inference pipelines. We conclude that AI nutrition lens applications are better framed as assistive, educational tools rather than as replacements for regulated labels, and we highlight the need for auditable datasets and evaluation benchmarks aligned with local food ecosystems.
• Abstract（参考訳）: 栄養ラベルは非常に小さな印刷物に表示されることが法的に認められ、現実の読みやすさが低下し、消費者が食事指導のために「AI栄養レンズ」や視覚対応の会話エージェントに頼るよう促す。 我々は,2つの包装食品のうちのどれがフロント・オブ・パック画像のみの糖分を含まないのかを推定することにより,AIを介するアドバイスが有意にラベル付けを代用できるかどうかを評価する。 2-Alternative Forced Choiceゲームは、スウェーデン、アメリカ、オーストラリア、カザフスタンの4つの国のスーパーマーケットでAIエージェントシステムを評価するために使用された。 両エージェントを比較した結果(N=132比較)は,文脈による性能差が顕著であった。 グローバル製品では、エージェントは88.9%の精度を達成した(p < 0.0001)。 地元の製品(Sweden)では、精度は59.5%(p = 0.29)に低下し、AIのガイダンスはランダムな推測とは統計的に区別できない。 これらの結果は、特に栄養学的判断が監査可能な公開ラベルからプロプライエタリな推論パイプラインに移行する際に、不均一なトレーニングデータカバレッジと整合性を示し、信頼、株式、説明責任に関する懸念を提起している。 我々は、AI栄養レンズのアプリケーションは、規制されたラベルの代替としてではなく、補助的で教育的なツールとしてフレーム化されていると結論付け、現地の食品生態系に合わせた監査可能なデータセットと評価ベンチマークの必要性を強調した。

関連論文リスト

• Watermarks Without Verification: AI Text Watermarking After the EU AI Act [49.51124343181601]
  EU AI法第50条では、生成可能なAIプロバイダに対して、システムが生成したコンテンツをマークし、AI生成として検出することを要求している。 Anthropicは、その日後にリリースされたすべてのClaudeモデルが、すべての生成されたテキストにSynthID-Textに基づく透かしを埋め込んでいることを公表した。 我々は、現在、異議や保証は確認できないし、この不信は、それ自体を透かしではなく、実質的なガバナンスの失敗であると論じている。
  論文  参考訳（メタデータ） (2026-09-09T01:56:17Z)
• AI labeling reduces the perceived accuracy of online content but has limited broader effects [0.0]
  提案する公開ポリシーに関するニュース記事の明示的なAIラベル付けは,その認識精度を低下させることを示す。 AIラベリングはポリシーへの関心を減少させるが、ポリシーへの支持に影響せず、オンラインの誤情報に対する一般的な懸念も引き起こさない。
  論文  参考訳（メタデータ） (2025-06-19T10:32:52Z)
• Security Benefits and Side Effects of Labeling AI-Generated Images [27.771584371064968]
  ラベルの意味について検討し,誤ラベルの可能性についても検討した。 我々は1300人以上の米国とEU参加者による事前登録されたオンライン調査を実施している。 我々は,不正確な主張を伝達する人造画像がラベルの存在下でより信頼性が高いと認識されるという,望ましくない副作用を見出した。
  論文  参考訳（メタデータ） (2025-05-28T20:24:45Z)
• The Decisive Power of Indecision: Low-Variance Risk-Limiting Audits and Election Contestation via Marginal Mark Recording [51.82772358241505]
  リスクリミット監査(リスクリミット監査、RLA)は、大規模な選挙の結果を検証する技術である。 我々は、効率を改善し、統計力の進歩を提供する監査の新たなファミリーを定めている。 新しい監査は、複数の可能なマーク解釈を宣言できるように、キャストボイトレコードの標準概念を再考することで実現される。
  論文  参考訳（メタデータ） (2024-02-09T16:23:54Z)
• AiGen-FoodReview: A Multimodal Dataset of Machine-Generated Restaurant Reviews and Images on Social Media [57.70351255180495]
  AiGen-FoodReviewは、20,144のレストランレビューイメージペアからなるデータセットである。 FLAVAで99.80%のマルチモーダル精度を達成し,一様・多モーダル検出モデルについて検討する。 この論文は、データセットをオープンソース化し、偽レビュー検出装置を公開し、非モーダルかつマルチモーダルな偽レビュー検出タスクでの使用を推奨し、合成データと真正データにおける言語的特徴と視覚的特徴を評価することで貢献する。
  論文  参考訳（メタデータ） (2024-01-16T20:57:36Z)
• H-COAL: Human Correction of AI-Generated Labels for Biomedical Named Entity Recognition [0.9298134918423911]
  5%のラベルを修正すれば、AI人間のパフォーマンスギャップを最大64%改善できることを示す。 また、20%のラベルを修正すれば、パフォーマンスのギャップを最大86%改善できることも示しています。
  論文  参考訳（メタデータ） (2023-11-20T18:16:27Z)
• Certification Labels for Trustworthy AI: Insights From an Empirical Mixed-Method Study [0.0]
  本研究は,有望なソリューションとしての認定ラベルを実証的に検討した。 ラベルがエンドユーザの信頼とAI使用意欲を大幅に向上させることができることを実証する。 しかし、認証ラベルに対するエンドユーザの好みと、AIの使用に対する信頼と意欲に対する影響は、高い評価のシナリオではより顕著であった。
  論文  参考訳（メタデータ） (2023-05-15T09:51:10Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Who Decides if AI is Fair? The Labels Problem in Algorithmic Auditing [0.0]
  都市部と農村部におけるASRの性能は, 基礎的真理データの忠実度によって急激な差異が生じる可能性が示唆された。 この結果から,ラベルの品質とデータアノテーションのコストのトレードオフが,実際にアルゴリズムによる監査を複雑化する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-16T19:00:03Z)

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。