Fugu-MT 論文翻訳(概要): RecipeNet: A Hierarchical Transformer for Recipe Data

論文の概要: RecipeNet: A Hierarchical Transformer for Recipe Data

arxiv url: http://arxiv.org/abs/2608.14505v1
Date: Fri, 14 Aug 2026 17:18:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.452166
Title: RecipeNet: A Hierarchical Transformer for Recipe Data
Title（参考訳）: RecipeNet: レシピデータのための階層変換器
Abstract要約: レシピデータは、材料合成、医薬品の定式化、工業製造などの分野に現れる。本稿では,各ステップ内のフィールドレベルのインタラクションとステップ間のシーケンシャルな依存関係をエンコードする階層型トランスフォーマーアーキテクチャであるRecipeNetを提案する。
参考スコア（独自算出の注目度）: 10.395505373890394
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recipe data arises in domains such as materials synthesis, pharmaceutical formulation, and industrial manufacturing, where procedures are represented as ordered sequences of steps containing heterogeneous structured fields. Existing tabular learning methods typically flatten this structure into fixed-schema representations, limiting their ability to capture hierarchical field interactions and procedural dependencies. We propose RecipeNet, a hierarchical Transformer architecture that encodes field-level interactions within each step and sequential dependencies across steps through stacked Transformer encoders. Experiments on multiple recipe datasets and tasks demonstrate that RecipeNet consistently outperforms existing tabular models, highlighting the value of hierarchical and sequential modeling for recipe representation learning.
Abstract（参考訳）: レシピデータは、材料合成、医薬品の定式化、工業製造などの領域で発生し、手順は不均一な構造体を含むステップの順序列として表される。既存の表型学習手法は、この構造を固定スキーマ表現にフラット化し、階層的なフィールド相互作用と手続き的依存関係をキャプチャする能力を制限する。本稿では,階層型トランスフォーマーアーキテクチャであるRecipeNetを提案する。複数のレシピデータセットとタスクの実験では、レシピ表現学習における階層的およびシーケンシャルなモデリングの価値を強調しながら、RecipeNetが既存の表形式モデルよりも一貫して優れていることが示されている。

関連論文リスト

ReGraph: Learning to Generate Recipe Graphs from Food Images [70.27418607642029]
ReGraphは、材料、調理行動、ツールをエンティティとして表現する大規模なレシピグラフデータセットである。本稿では,LMMが食品画像からよりきめ細かな調理ワークフローを生成できる2段階のフレームワークであるレシピグラフ学習(RGL)を提案する。
論文参考訳（メタデータ） (2026-08-07T07:51:08Z)
The Transformer Cookbook [24.533861358582524]
本稿では、アルゴリズムを直接トランスフォーマーのパラメータに符号化するテクニックの集合であるトランスフォーマークックブックを紹介する。フィードフォワード層における基本的な算術演算から、自己注意による複雑なデータルーティングまで、あらゆるものを実装する方法を示す。
論文参考訳（メタデータ） (2025-10-01T00:25:07Z)
RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
論文参考訳（メタデータ） (2025-05-31T21:01:02Z)
Transformers Meet Relational Databases [0.0]
トランスフォーマーモデルは、基礎となるシーケンス対シーケンス表現に変換可能なすべての機械学習ドメインに継続的に拡張されている。本稿では,形式的リレーショナルモデルに忠実に準拠するモジュール型ニューラルメッセージパッシング方式を提案する。本研究は,新たに提案されたニューラルアーキテクチャのクラスにおいて,優れた性能を示すものである。
論文参考訳（メタデータ） (2024-12-06T17:48:43Z)
Learning Syntax Without Planting Trees: Understanding Hierarchical Generalization in Transformers [74.96551626420188]
自然言語データに基づいて訓練されたトランスフォーマーは、その階層構造を学習し、目に見えない構文構造を持つ文に一般化することが示されている。本研究では,変圧器モデルにおける帰納バイアスの発生源と,そのような一般化行動を引き起こす可能性のあるトレーニングについて検討する。
論文参考訳（メタデータ） (2024-04-25T07:10:29Z)
Implant Global and Local Hierarchy Information to Sequence based Code Representation Models [25.776540440893257]
完全な階層構造がコードシーケンスのトークンに与える影響を分析し、階層埋め込みと呼ばれるコードトークンの特性として、この影響を抽象化する。ソースコードの完全な階層化をトランスフォーマーモデルに組み込むための,単純かつ効果的なシーケンスモデルである階層変換器(HiT)を提案する。
論文参考訳（メタデータ） (2023-03-14T12:01:39Z)
TRUST: An Accurate and End-to-End Table structure Recognizer Using Splitting-based Transformers [56.56591337457137]
本稿では,TRUSTと呼ばれるテーブル構造認識手法を提案する。変換器は、大域的な計算、完全メモリ、並列計算のためにテーブル構造認識に適している。我々はPubTabNetやSynthTableなど,いくつかの人気のあるベンチマークで実験を行い,新しい最先端の結果を得た。
論文参考訳（メタデータ） (2022-08-31T08:33:36Z)
Compositionality as Lexical Symmetry [42.37422271002712]
意味解析、命令追従、質問応答といったタスクでは、標準的なディープネットワークは小さなデータセットから合成的に一般化できない。本稿では、モデルよりもデータ分布の対称性の制約として、構成性のドメイン一般およびモデル非依存の定式化を提案する。 LEXSYMと呼ばれる手法は,これらの変換を自動的に検出し,通常のニューラルシーケンスモデルのトレーニングデータに適用する。
論文参考訳（メタデータ） (2022-01-30T21:44:46Z)
IOT: Instance-wise Layer Reordering for Transformer Structures [173.39918590438245]
トランスフォーマの固定層順序の仮定を分解し,モデル構造にインスタンス単位の層順序変更を導入する。当社の手法はTransformer以外のアーキテクチャにも適用可能です。
論文参考訳（メタデータ） (2021-03-05T03:44:42Z)
Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
論文参考訳（メタデータ） (2020-10-10T14:03:20Z)
Structure by Architecture: Structured Representations without Regularization [31.75200752252397]
生成モデルなどの下流タスクにオートエンコーダを用いた自己教師型表現学習の課題について検討する。我々はアグレッシブな正規化を必要とせずに構造化表現を学習できる新しいオートエンコーダアーキテクチャを設計する。これらのモデルが、生成、絡み合い、外挿を含む様々な下流タスクの結果を改善する表現をいかに学習するかを実証する。
論文参考訳（メタデータ） (2020-06-14T04:37:08Z)

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。