論文の概要: Nutri-ATLAS: Embodied Agent for Tabulated Lookup and Assistance for Smarter nutrition

• arxiv url: http://arxiv.org/abs/2609.32803v1
• Date: Sat, 26 Sep 2026 17:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:10:20.463252
• Title: Nutri-ATLAS: Embodied Agent for Tabulated Lookup and Assistance for Smarter nutrition
• Title（参考訳）: 栄養補助剤Nutri-ATLAS
• Abstract要約: Nutri-ATLASはUSDA FoodData CentralとFoodKGから統合されたFood-Nutrientナレッジグラフを構築している。 グラフベースの栄養分析、ハードウェア対応の大規模言語モデル選択、ロボットによるエビデンス獲得を統合している。 栄養素推定,置換検索,レシピレコメンデーション,患者に注目する付着度,エッジ展開,実世界の実施状況においてNutri-ATLASを評価した。
• 参考スコア（独自算出の注目度）: 12.002415443172126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative and Agentic IoT systems offer a promising foundation for digital healthcare applications that combine sensing, personalized reasoning, and autonomous interaction in real-world environments. Nutrition assistance is a natural use case, but existing Large Language Model (LLM)-based systems are often limited to passive text interaction and static context, making them unreliable when food descriptions are ambiguous or nutritional evidence is missing. We propose Nutri-ATLAS, an Embodied Agent for Tabulated Lookup and Assistance for smarter nutrition in the real world. It integrates graph-grounded nutrition reasoning, hardware-aware LLM selection, and robot-based evidence acquisition. Nutri-ATLAS builds a unified Food-Nutrient knowledge graph from USDA FoodData Central and FoodKG and learns 64-dimensional GATv2 food and recipe embeddings. A shared hybrid graph-text scoring mechanism supports food nutrition extraction, nutritional gap filling, substitute retrieval, and recipe-level meal composition, while an LLM-guided skill interface navigates landmarks, updates dietary-context and food-accessibility memory, and grounds recommendations in observed food availability. We evaluate Nutri-ATLAS across nutrient estimation, substitution retrieval, recipe recommendation, patient-profile adherence, edge deployment, and real-world embodied execution. On HealthyFoodSubs, the hybrid retriever achieves 37.9% MAP, 80.7% RR@5, and 90.1% RR@10. On NutriBench v2, Dense+GAT retrieval grounds nutrient estimation across nine quantized Qwen3.5-9B configurations. On PFoodReQ, Nutri-ATLAS reaches 78.8% MAP, 83.0% MAR, and 77.5% F1. A patient-profile study shows adherence to allergy and healthy-target constraints for all selected cases.
• Abstract（参考訳）: ジェネレーティブおよびエージェントIoTシステムは、実環境におけるセンシング、パーソナライズされた推論、自律的なインタラクションを組み合わせた、デジタルヘルスケアアプリケーションのための有望な基盤を提供する。 栄養補助は自然なユースケースであるが、既存のLarge Language Model(LLM)ベースのシステムは受動的テキストインタラクションや静的コンテキストに制限されることが多く、食物の説明が曖昧で栄養的な証拠が欠如している場合には信頼できない。 本研究では, 実世界におけるよりスマートな栄養管理のためのタンボダイド・ルックアップ・アシスト・エージェントであるNutri-ATLASを提案する。 グラフベースの栄養分析、ハードウェア対応のLCM選択、ロボットによるエビデンス獲得を統合している。 Nutri-ATLASはUSDA FoodData CentralとFoodKGから統合されたFood-Nutrientナレッジグラフを構築し、64次元のGATv2フードとレシピの埋め込みを学習する。 共有ハイブリッドグラフテキストスコアリング機構は、食品の栄養抽出、栄養ギャップ充填、代替検索、レシピレベルの食事構成をサポートし、LLM誘導のスキルインターフェースはランドマークをナビゲートし、食事内容と食事アクセス性メモリを更新し、観察された食品の可利用性において推奨する。 栄養素推定,置換検索,レシピレコメンデーション,患者に注目する付着度,エッジ展開,実世界の実施状況においてNutri-ATLASを評価した。 HealthyFoodSubsでは、ハイブリッドレトリバーは37.9%のMAP、80.7%のRR@5、90.1%のRR@10を達成している。 NutriBench v2では、Dense+GATは9つの量子化されたQwen3.5-9B構成で栄養推定を行う。 PFoodReQでは、Nutri-ATLASが78.8%、MARが83.0%、F1が77.5%に達する。 患者が注目する研究は、選択されたすべての症例に対してアレルギーおよび健康ターゲットの制約に固執していることを示している。

関連論文リスト

• GLEN-Bench: A Graph-Language based Benchmark for Nutritional Health [48.94971812317643]
  GLEN-Benchは,栄養学的健康評価のためのグラフ言語に基づく最初の総合ベンチマークである。 GLEN-Benchは3つの関連タスクを含む: リスク検出は、食生活や社会経済的パターンからリスクのある個人を識別する; 推奨は、リソース制約の中で臨床ニーズを満たすパーソナライズされた食品を提案する。 我々の分析では、健康リスクに関連する明確な食事パターンを特定し、実践的な介入を導くための洞察を提供する。
  論文  参考訳（メタデータ） (2026-01-26T03:32:46Z)
• Introducing the Swiss Food Knowledge Graph: AI for Context-Aware Nutrition Recommendation [0.0]
  スイス食品知識グラフ(SwissFKG)は、栄養データ、栄養制限、アレルゲン情報、栄養ガイドラインを1つのグラフの下にまとめる最初の資料である。 我々の研究は、視覚的、文脈的、文化的な食の次元をブレンドする次世代の食事アセスメントツールの基礎を築いた。
  論文  参考訳（メタデータ） (2025-07-14T11:12:30Z)
• Advancing Food Nutrition Estimation via Visual-Ingredient Feature Fusion [69.84988999191343]
  我々はファストフード(FastFood)について紹介する。ファストフード(FastFood)は、908のファストフードカテゴリーに84,446のイメージを持つデータセットで、成分や栄養のアノテーションが特徴である。 栄養推定の精度を高めるために,新しいモデル非依存型ビジュアル・イングレディエント・フィーチャー・フュージョン (VIF$2$) 法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T17:01:21Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• UMDFood: Vision-language models boost food composition compilation [26.5694236976957]
  本稿では, 食品組成プロファイルを正確に推定するために, フロント・オブ・パッケージ・ラベリングと製品画像を用いた新しい視覚言語モデル, UMDFood-VLを提案する。 化学分析結果とモデル推定結果の誤差の最大82.2%は10%未満である。 この性能は、他の食品および栄養関連データコンパイルと触媒化への一般化に光を当てている。
  論文  参考訳（メタデータ） (2023-05-18T03:18:12Z)
• MenuAI: Restaurant Food Recommendation System via a Transformer-based Deep Learning Model [15.248362664235845]
  本稿では,新しいレストラン料理推薦システムを提案する。 光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。 我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-15T11:45:44Z)
• Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
  栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。 米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。 提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
  論文  参考訳（メタデータ） (2022-06-05T02:41:44Z)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• An Artificial Intelligence-Based System to Assess Nutrient Intake for Hospitalised Patients [4.048427587958764]
  入院患者の栄養摂取の定期的なモニタリングは、疾患関連栄養失調のリスクを低減する上で重要な役割を担っている。 本稿では,栄養摂取量を正確に推定する人工知能(AI)に基づく新しいシステムを提案する。
  論文  参考訳（メタデータ） (2020-03-18T15:28:51Z)

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。