[논문 리뷰] FEAST: Retrieval-Augmented Multi-Hierarchical Food Classification for the FoodEx2 System

Lorenzo Molfetta, Alessio Cocchieri외 4명|arXiv (Cornell University)|2026. 03. 03.

Nutritional Studies and Diet인용 수 0

한 줄 요약

FEAST는 기본 용어(base terms), 패싯 카테고리, 그리고 패싯 설명자를 순차적으로 식별하여 자유 텍스트 음식 설명을 FoodEx2 코드로 매핑하는 검색 보강 다단계 파이프라인을 도입하고, 밀집 검색, 재랭킹, 필요 시 LLM을 사용하여 계층적이고 데이터가 희소한 레이블 공간을 해결한다.

ABSTRACT

Hierarchical text classification (HTC) and extreme multi-label classification (XML) tasks face compounded challenges from complex label interdependencies, data sparsity, and extreme output dimensions. These challenges are exemplified in the European Food Safety Authority's FoodEx2 system-a standardized food classification framework essential for food consumption monitoring and contaminant exposure assessment across Europe. FoodEx2 coding transforms natural language food descriptions into a set of codes from multiple standardized hierarchies, but faces implementation barriers due to its complex structure. Given a food description (e.g., "organic yogurt''), the system identifies its base term ("yogurt''), all the applicable facet categories (e.g., "production method''), and then, every relevant facet descriptors to each category (e.g., "organic production''). While existing models perform adequately on well-balanced and semantically dense hierarchies, no work has been applied on the practical constraints imposed by the FoodEx2 system. The limited literature addressing such real-world scenarios further compounds these challenges. We propose FEAST (Food Embedding And Semantic Taxonomy), a novel retrieval-augmented framework that decomposes FoodEx2 classification into a three-stage approach: (1) base term identification, (2) multi-label facet prediction, and (3) facet descriptor assignment. By leveraging the system's hierarchical structure to guide training and performing deep metric learning, FEASTlearns discriminative embeddings that mitigate data sparsity and improve generalization on rare and fine-grained labels. Evaluated on the multilingual FoodEx2 benchmark, FEAST outperforms the prior European's CNN baseline F1 scores by 12-38 % on rare classes.

연구 동기 및 목표

• 현실의 FoodEx2 분류표에서 계층적 텍스트 분류 및 XML의 도전을 동기 부여한다.
• FoodEx2 코딩을 기본 용어, 패싯 카테고리, 및 설명자 예측으로 분해하기 위해 FEAST를 제안한다.
• 계층적 구조와 깊은 거리 학습(deep metric learning)을 활용하여 데이터 희소성을 완화하고 희귀 레이블의 일반화 성능을 향상시킨다.
• 단계별로 유연한 재랭킹과 LLM 기반 옵션을 갖춘 검색 보강 방법을 시연한다.

제안 방법

• FoodEx2를 기본 용어 식별, 패싯 카테고리 분류, 그리고 패싯 설명자 할당의 3단계 파이프라인으로 표현한다.
• 임베딩용 바이-인코더와 상위 후보를 정교화하기 위한 크로스-인코더 재랭커를 포함한 검색 보강 프레임워크를 사용한다.
• 분류 체계에서 도출된 하드 네거티브 마이닝을 적용해 강건한 임베딩을 학습한다.
• NL 설명을 코드 구성요소로 매핑하기 위한 LLM 기반 분류기 옵션을 포함한 검색 및 재랭크 구성요소를 활용한다.
• LoRA 어댑터를 사용한 LLM(LLaMA-3.1-8B)을 다중 작업 설정에서 세 가지 하위 작업을 공동으로 다루도록 학습시킨다.
• 작업 전반에 걸쳐 검색 지표(Accuracy@K, Recall@K, NDCG, MRR, MAP)와 분류 지표(정밀도, 재현율, F1)를 사용해 평가한다.

실험 결과

연구 질문

• RQ1 검색 보강 방법이 FoodEx2에서 기본 용어, 패싯 카테고리 및 패싯 설명자 예측을 어떻게 개선할 수 있는가?
• RQ2 세 가지 단계의 FEAST 파이프라인이 희귀하고 미세하게 구분되는 FoodEx2 코드에서 CNN 기반 기준선보다 성능을 더 낼 수 있는가?
• RQ3 하드 네거티브 마이닝과 계층적 구조가 보이지 않는 기본 용어 및 패싯에 대한 일반화에 어떤 영향을 미치는가?
• RQ4 이 계층적 다중 작업 설정에서 인코더 기반 재랭킹과 LLM 기반 분류 사이의 트레이드오프는 무엇인가?

주요 결과

• FEAST는 희귀 클래스의 식품 Ex2 코딩에서 기존 유럽 CNN 기준선보다 12–38% 더 우수한 성능을 보인다.
• 검색 구성요소는 기본 용어 및 설명자 검색에서 강한 성능을 달성한다(예: Base Term Acc@1 96.57%, Descriptor Acc@1 98.90%).
• 재랭커는 기본 용어 정확도 91.01% 및 설명자 정확도 96.03% @1로 향상시킨다.
• 바이-인코더 분류기는 패싯 카테고리에 걸쳐 강력하지만 불균일한 성능을 보이며, DeBERTa-v3-base가 Task II 지표를 약 73% @1, 3–10 랭크에서 더 높게 달성한다.
• LLM 기반 분류(LLaMA-3.1-8B with LoRA)는 Task I 및 Task III에서 뛰어나지만 Task II에서는 혼합된 결과를 보여 주며, 범주 차원의 다중 작업 이점은 신중한 프롬프트 작성 및/또는 모델 선택이 필요함을 시사한다.
• 작업 전반에 걸쳐 FEAST는 검증 설정에서 Task I 및 Task III에 거의 완벽한 정확도를 달성하고 샘플 외 평가에서도 강인함을 보인다.