論文の概要: TasteBench: Multimodal Benchmark for Sensory Prediction, from Molecules to Sustainable Foods

• arxiv url: http://arxiv.org/abs/2610.02599v1
• Date: Thu, 01 Oct 2026 23:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.1288
• Title: TasteBench: Multimodal Benchmark for Sensory Prediction, from Molecules to Sustainable Foods
• Title（参考訳）: TasteBench: 分子から持続可能な食品まで、センサー予測のためのマルチモーダルベンチマーク
• Abstract要約: TasteBenchは、マルチモーダルベンチマークと、知覚予測のためのプライバシ保護コンペティションである。 21K以上の人的評価に基づいて構築された食品レベルのランキングタスクは、24の製品カテゴリーで215種類の植物ベースの食品を対象とし、カテゴリー内ランキングのペアは935である。 また、15Kのフレーバー分子に対する分子レベルの味分類タスクについても検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sustainable protein discovery lacks the fast computational proxies, analogous to molecular docking or density functional theory, that accelerate drug and materials discovery. Evaluating whether a novel food tastes like its animal-based target requires expensive human sensory panels, bottlenecking the design-build-test loop. We introduce TasteBench, a multimodal benchmark and privacy-preserving competition for sensory prediction, spanning two tasks: a food-level ranking task built on 21K+ human evaluations across 215 plant-based foods in 24 product categories, yielding 935 within-category ranking pairs, and a supporting molecular-level taste classification task over 15K flavor molecules. To enable rigorous interpretation of model performance, we characterize the ground truth: inter-rater agreement among panelists is low (Krippendorff's $α= .077$), and the split-half reliability ceiling of panel-aggregated rankings is .825, establishing the range within which ML systems on this benchmark should be assessed. We evaluate baselines across four input modalities; on the same pairs panelists rated, the best model achieves .661 pairwise accuracy, competitive with the median individual panelist (.650), and .683 across all within-category pairs. TasteBench provides the evaluation infrastructure and baselines for measuring progress on computational screening for sustainable protein discovery.
• Abstract（参考訳）: 持続可能なタンパク質発見は、分子ドッキングや密度汎関数理論に類似した高速な計算プロキシが欠如しており、薬物や物質の発見を加速している。 動物をターゲットとした新しい食品の味が、高価な人間の感覚パネルを必要とするかどうかを評価することで、デザイン・ビルド・テストのループをボトルネックにしている。 マルチモーダル・ベンチマークとプライバシ保護・コンペティション・コンペティションであるTasteBenchを紹介し, 植物由来食品215種類にまたがる21K以上の人体評価に基づく食品レベルのランキングタスク, カテゴリー内ランキングペア935種類, および15Kのフレーバー分子に対する分子レベルの味の分類タスクについて紹介した。 モデル性能の厳密な解釈を可能にするため、パネリスト間のレータ間合意は低く(クリッペンドルフの$α= .077$)、パネル集約ランキングの分割半信頼天井は.825であり、このベンチマーク上のMLシステムの評価範囲を確立する。 我々は、4つの入力モードのベースラインを評価し、同じペアのパネリストが評価した上で、最良のモデルが.661のペアの精度を達成し、中央の個々のパネリスト(.650)と、すべてのカテゴリ内のペアの.683と競合する。 TasteBenchは、持続可能なタンパク質発見のための計算スクリーニングの進捗を測定するための評価インフラストラクチャとベースラインを提供する。

関連論文リスト

• DishSeg24k: A Large-Scale Benchmark for Food Segmentation with Stochastic Expert Decoding [49.56343480718948]
  textbfDishSeg24kは,24,096イメージ,112,281インスタンス,および278の詳細なカテゴリを実世界のダイニング環境に導入した大規模食器レベルのセグメンテーションベンチマークである。 DishSeg24kに基づいて、これらの課題に対処するために textbfFood Expert-Adaptive Transformers (FEAST) を提案する。 DishSeg24kの実験では、FEASTの最先端性能が実証され、従来の手法を+3.21% mIoU, +3.68で上回っている。
  論文  参考訳（メタデータ） (2026-07-25T06:40:25Z)
• From Isolated Tasks to Structured Capabilities: A Multilayer Taxonomy for Large Language Models [41.36461541603076]
  大規模言語モデル(LLM)の評価は多様なタスクとベンチマークにまたがる。 証拠は、調査する能力よりも、タスクを中心に組織化されている。 14の能力ドメインと91のサブスキルからなる多層分類を導入した。
  論文  参考訳（メタデータ） (2026-07-24T10:49:50Z)
• Knowledge Index of Noah's Ark [63.143852586221534]
  KINAは,261分野にわたる899項目のベンチマークである。 ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。 トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
  論文  参考訳（メタデータ） (2026-06-03T17:06:49Z)
• Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty? [59.923111838399144]
  本稿では,視覚的審美性ベンチマーク (VAB) を提案する。 VABには400のタスクと1,195のイメージが芸術、写真、イラストに含まれており、ラベルはタスクごとに10人の独立した専門家審査員のコンセンサスから導かれる。 最強のシステムは、人間の専門家が達成した68.9%よりもはるかに低い26.5%のタスクで、候補順の3つのランダムな順で、最良の画像と最悪の画像の両方を正しく識別する。
  論文  参考訳（メタデータ） (2026-05-12T19:33:28Z)
• TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
  本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。 最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
  論文  参考訳（メタデータ） (2026-02-08T00:01:43Z)
• The Digital Sous Chef -- A Comparative Study on Fine-Tuning Language Models for Recipe Generation [2.497854684676663]
  本稿では,GPT-2大モデル(774M)とGPT-2小モデル(124M)と,RecipeDB 5-cuisineコーパス上の従来のLSTM/RNNベースラインとを比較検討した。 キーとなるコントリビューションは、23個の共通分数トークンとカスタム構造マーカーで語彙を拡大するトークン化戦略です。
  論文  参考訳（メタデータ） (2025-08-20T13:53:13Z)
• BioScore: A Foundational Scoring Function For Diverse Biomolecular Complexes [11.395906604051156]
  現在の構造に基づくスコアリング関数は、様々な生体分子系における一般化性に欠けることが多い。 このBioScoreは、データの分散性、システム間の表現、タスクの互換性といった重要な課題に対処する基礎的なスコアリング機能です。 BioScoreはアフィニティ予測、コンフォーメーションランキング、構造ベースの仮想スクリーニングなど、幅広いタスクをサポートしている。
  論文  参考訳（メタデータ） (2025-07-15T00:41:58Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• Food Odor Recognition via Multi-step Classification [0.0]
  我々は,BMEAIスタジオを内蔵したBME688ガスセンサをデータ収集と特徴抽出に使用している。 また,多段階分類器の必要性と実現可能性を示すアブレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T23:42:53Z)

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。