論文の概要: Validating FKG.in: Soundness Assessment in LLM-Augmented Indian Food Knowledge

• arxiv url: http://arxiv.org/abs/2608.29249v2
• Date: Tue, 01 Sep 2026 03:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 14:14:25.944305
• Title: Validating FKG.in: Soundness Assessment in LLM-Augmented Indian Food Knowledge
• Title（参考訳）: FKG.inの検証 : LLM強化インド食品知識の音質評価
• Authors: Saransh Kumar Gupta, Armaan Shah, Lipika Dey, Partha Pratim Das, Ramesh Jain,
• Abstract要約: 大規模言語モデル(LLM)により抽出・拡張された構造化レシピデータを検証するための半自動音質評価ワークフローを提案する。 インドのレシピで評価されるが,提案手法は多言語・多文化料理分野に適用可能である。
• 参考スコア（独自算出の注目度）: 2.334669361092524
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The online culinary ecosystem is increasingly populated by recipe content generated, modified, or summarized by Large Language Models (LLMs). While often plausible, such outputs may contain hallucinated ingredients, misrepresented quantities, or culturally implausible combinations, limiting their suitability for downstream applications and knowledge graph construction. In this paper, we present a semi-automated soundness assessment workflow for validating structured recipe data extracted and augmented by LLMs from informal culinary sources. Developed as part of FKG(.in), a knowledge graph of Indian food, the pipeline identifies and addresses common failure modes, including structural inconsistencies, semantic and logical incoherence, and deviations from the source text, through a multi-stage process combining formal grammars, vocabulary-based checks, statistical heuristics, Set Transformer-based coherence modeling, and retrieval-based verification. Although evaluated on Indian recipes, the proposed methods are applicable to broader multilingual and multicultural culinary domains. We provide a practical, auditable, and application-agnostic framework for validating LLM-augmented recipe data, thereby strengthening the foundations of machine-readable food knowledge infrastructures in the era of LLM-generated content.
• Abstract（参考訳）: オンライン料理エコシステムは、Large Language Models (LLMs) によって生成されたレシピコンテンツ、修正された、あるいは要約されたレシピコンテンツによって人口が増えている。 しばしば可算であるが、そのような出力には幻覚成分、誤表現量、文化的に不可解な組み合わせが含まれており、下流の応用や知識グラフ構築に適している。 本稿では,非公式な料理ソースからLLMによって抽出・拡張された構造化レシピデータを検証するための半自動音質評価ワークフローを提案する。 インド料理の知識グラフFKG(.in)の一部として開発されたこのパイプラインは、構造的不整合、意味的および論理的不整合、およびソーステキストからの逸脱を含む共通の失敗モードを特定し、形式文法、語彙に基づくチェック、統計的ヒューリスティックス、セットトランスフォーマーベースのコヒーレンスモデリング、検索ベースの検証を含む多段階プロセスを通じて解決する。 インドのレシピで評価されるが,提案手法は多言語・多文化料理分野に適用可能である。 本報告では,LLMのレシピデータを検証するための実用的,監査可能,かつアプリケーションに依存しないフレームワークを提供し,LLM生成コンテンツ時代の機械可読食品知識基盤の基盤を強化する。

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)
• CGU-ILALab at FoodBench-QA 2026: Comparing Traditional and LLM-based Approaches for Recipe Nutrient Estimation [10.751176062286321]
  非構造的レシピテキストからの正確な栄養素推定は、食事モニタリングにおいて重要であるが難しい問題である。 語彙マッチング手法から深い意味エンコーダまで,幅広い表現能力を有するモデルを評価する。 その結果,予測精度と計算効率のトレードオフが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-28T15:41:01Z)
• Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
  信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である 本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
  論文  参考訳（メタデータ） (2026-03-05T18:42:51Z)
• Enhancing Action and Ingredient Modeling for Semantically Grounded Recipe Generation [69.90401008542368]
  命令生成のための内部コンテキストとして,アクションや材料を予測し,検証する意味的基盤を持つフレームワークを提案する。 Recipe1Mの実験は最先端の性能を示し、セマンティックな忠実さを著しく改善した。
  論文  参考訳（メタデータ） (2026-01-26T10:06:18Z)
• A Highly Clean Recipe Dataset with Ingredient States Annotation for State Probing Task [25.030784769780368]
  本稿では,調理過程における中間成分状態の認識方法を評価するための新しいタスクとデータセットを提案する。 まず, 成分状態変化の明確かつ正確なアノテーションを用いた新しいレシピデータセットを構築した。 このデータセットを用いて,LLMが成分状態遷移を追跡し,中間段階に存在する成分を識別できるかどうかを評価する3つの新しいタスクを設計する。
  論文  参考訳（メタデータ） (2025-07-23T05:56:20Z)
• KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models [17.705244174235045]
  大規模言語モデル(LLMs)の最近の進歩と食品データの豊富さは、食品の理解を改善するために研究されている。 我々は、食品KGとLLMを活用して、パーソナライズされた食品レコメンデーションを提供する統一システムであるKERLを紹介する。 我々は,提案するKG拡張LDMが既存手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-20T17:19:57Z)
• Retrieval Augmented Recipe Generation [96.43285670458803]
  本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。 既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。 生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
  論文  参考訳（メタデータ） (2024-11-13T15:58:50Z)
• LLaVA-Chef: A Multi-modal Generative Model for Food Recipes [17.705244174235045]
  大規模言語モデル(LLM)は、自然言語処理アプローチにより、食品関連のタスクをより深く掘り下げる道を開いた。 この研究は、多様なレシピプロンプトのキュレートされたデータセットに基づいて訓練された新しいモデルであるLLaVA-Chefを提案する。 詳細な質的分析により、LLaVA-Chefはより詳細なレシピを生成し、正確な成分が記述されていることが明らかになった。
  論文  参考訳（メタデータ） (2024-08-29T20:20:49Z)
• Counterfactual Recipe Generation: Exploring Compositional Generalization in a Realistic Scenario [60.20197771545983]
  本研究では,材料の変化に応じて基本レシピを変更するようモデルに依頼する,反現実的なレシピ生成タスクを設計する。 料理の知識を学習するモデルのために、中国語で大規模なレシピデータセットを収集する。 その結果、既存のモデルでは原文のスタイルを保ちながら素材の変更が困難であり、調整が必要なアクションを見逃すことがしばしばあった。
  論文  参考訳（メタデータ） (2022-10-20T17:21:46Z)

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。