[論文レビュー] Food safety risk prediction with Deep Learning models using categorical embeddings on European Union data

Alberto Nogales, Rodrigo Díaz Morón+1 more|arXiv (Cornell University)|Sep 14, 2020

Food Supply Chain Traceability参考文献 24被引用数 4

ひとこと要約

本論文では、マルチレイヤーパーセプトロン（MLP）および1次元畳み込みニューラルネットワーク（1D-CNN）を用いたカテゴリカル埋め込みを組み合わせた深層学習フレームワークを提案し、欧州連合（EU）における食品安全リスクを予測する。EU食品通報データを用いた実験で、製品分類、危険要因分類、是正措置の予測精度が74.08%～93.06%の間で達成され、埋め込みベースのモデルが公衆衛生リスク予測に有効であることが示された。

ABSTRACT

The world is becoming more globalized every day and people can buy products from almost every country in the world in their local stores. Given the different food and feed safety laws from country to country, the European Union began to register in 1977 all irregularities related to traded products to ensure cross-border monitoring of information and a quick reaction when risks to public health are detected in the food chain. This information has also an enormous potential as a preventive tool, in order to warn actors involved in food safety and optimize their resources. In this paper, a set of data related to food issues was scraped and analysed with Machine Learning techniques to predict some features of future notifications, so that pre-emptive measures can be taken. The novelty of the work relies on two points: the use of categorical embeddings with Deep Learning models (Multilayer Perceptron and 1-Dimension Convolutional Neural Networks) and its application to solve the problem of predicting food issues in the European Union. The models allow several features to be predicted: product category, hazard category and finally the proper action to be taken. Results show that the system can predict these features with an accuracy ranging from 74.08% to 93.06%.

研究の動機と目的

• 欧州連合（EU）における食品安全リスクを、歴史的通報データを用いて予測モデルを開発すること。
• テーブル形式の食品安全データに対する深層学習性能向上に、カテゴリカル埋め込みが果たす効果を調査すること。
• 将来の食品安全通報の主要な特徴を予測することで、早期警戒システムの構築を可能にすること。
• 事前のリスク同定により、食品安全当局のリソース配分を最適化すること。
• マルチクラス分類タスクとしての食品安全問題に対する、深層学習モデル（MLPおよび1D-CNN）の性能を評価すること。

提案手法

• 製品タイプや危険要因カテゴリなどの離散的特徴に対して、カテゴリカル埋め込みを適用し、密なベクトル表現に変換する。
• 埋め込み特徴を入力として、マルチレイヤーパーセプトロン（MLP）および1次元畳み込みニューラルネットワーク（1D-CNN）をエンドツーエンドで学習する。
• 入力データは、1977年～2019年の間の匿名化されたEU食品安全通報データであり、製品分類、危険タイプ、是正措置を含む。
• 埋め込み層はカテゴリカル変数の階層的表現を学習し、元のワンホットエンコーディングに比べて一般化性能を向上させる。
• モデルは、製品分類、危険要因分類、措置タイプという3つのターゲット変数を予測するように訓練される。
• モデル評価には、マルチクラス分類タスク全体で精度を主指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 カテゴリカル埋め込みは、食品安全リスク分類の予測性能を向上させることができるか？
• RQ2 深層学習モデルは、EUの歴史的データに基づいて、将来の食品安全通報をどの程度正確に予測できるか？
• RQ3 MLPと1D-CNNアーキテクチャは、製品や危険要因分類といった食品安全特徴の分類において、どのように比較されるか？
• RQ4 モデルは、食品安全事案における是正措置を効果的に予測できるか？
• RQ5 本システムの予測精度は、異なる食品安全リスク分類においてどのように変動するか？

主な発見

• 提案された深層学習モデルは、さまざまな分類タスクにおいて74.08%～93.06%の予測精度を達成した。
• 1D-CNNモデルは危険要因分類の予測においてMLPを上回り、順序的なパターンからの特徴抽出に優れていることが示された。
• カテゴリカル埋め込みは、標準的なワンホットエンコーディングに比べて、モデルの一般化性能を顕著に向上させた。
• 本システムは、是正措置を高い精度で予測でき、運用意思決定を支援した。
• 製品分類の予測においても、93.06%の高い精度を達成し、優れた性能を示した。
• 結果から、大規模なEUデータセットにおける食品安全リスクの早期検出に、埋め込みを用いた深層学習が実用的であることが確認された。