[논문 리뷰] Food safety risk prediction with Deep Learning models using categorical embeddings on European Union data

Alberto Nogales, Rodrigo Díaz Morón외 1명|arXiv (Cornell University)|2020. 09. 14.

Food Supply Chain Traceability참고 문헌 24인용 수 4

한 줄 요약

이 논문은 유럽 연합의 식품 안전 위험을 예측하기 위해 다층 퍼셉트론과 1차원 합성곱 신경망을 사용한 범주형 임베딩 기반의 딥러닝 프레임워크를 제안한다. EU 식품 통보 데이터를 바탕으로 제품 카테고리, 위험 카테고리 및 시정 조치에 대해 예측 정확도가 74.08%에서 93.06% 사이로 도출되었으며, 공중보건 위험 예측에 있어 임베딩 기반 모델의 효과성을 입증한다.

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%.

연구 동기 및 목표

• 역사적 통보 데이터를 활용해 유럽 연합의 식품 안전 위험 예측 모델을 개발하기 위해.
• 표현형 임베딩이 표본 식품 안전 데이터에서 딥러닝 성능을 향상시키는 데 효과적인지 조사하기 위해.
• 미래 식품 안전 통보의 핵심 특징을 예측함으로써 사전 경고 시스템을 구현하기 위해.
• 사전 위험 식별을 통해 식품 안전 당국의 자원 배분을 최적화하기 위해.
• 딥러닝 모델(MLP 및 1D-CNN)이 식품 안전 문제의 다중 분류 작업에서 어떻게 성능을 발휘하는지 평가하기 위해.

제안 방법

• 제품 유형 및 위험 카테고리와 같은 이산형 특징에 대해 범주형 임베딩을 적용하여 밀도 있는 벡터 표현으로 변환한다.
• 임베딩된 특징을 기반으로 종단 간 엔드 투 엔드로 다층 퍼셉트론(MLP)과 1차원 합성곱 신경망(1D-CNN)을 훈련시킨다.
• 입력 데이터는 1977~2019년 기간 동안의 익명화된 EU 식품 안전 통보로, 제품 카테고리, 위험 유형 및 시정 조치를 포함한다.
• 임베딩 레이어는 범주형 변수의 계층적 표현을 학습하여 원-핫 인코딩 대비 일반화 성능을 향상시킨다.
• 모델는 세 가지 타겟 변수인 제품 카테고리, 위험 카테고리 및 조치 유형을 예측하도록 훈련된다.
• 모델 평가에서는 다중 분류 작업 전반에 걸쳐 정확도를 주요 지표로 사용한다.

실험 결과

연구 질문

• RQ1 범주형 임베딩은 식품 안전 위험 카테고리 예측을 위한 딥러닝 모델의 성능을 향상시킬 수 있는가?
• RQ2 딥러닝 모델은 역사적 EU 데이터를 기반으로 미래 식품 안전 통보를 어느 정도 정확하게 예측할 수 있는가?
• RQ3 MLP와 1D-CNN 아키텍처는 제품 및 위험 카테고리와 같은 식품 안전 특징을 분류하는 데 어떻게 비교되는가?
• RQ4 모델은 식품 안전 사고에 필요한 시정 조치를 효과적으로 예측할 수 있는가?
• RQ5 다양한 식품 안전 위험 카테고리에서 시스템의 예측 정확도는 어떠한가?

주요 결과

• 제안된 딥러닝 모델은 다양한 분류 작업에서 74.08%에서 93.06%의 예측 정확도를 달성하였다.
• 1D-CNN 모델은 위험 카테고리를 예측하는 데서 MLP를 능가하여 순차적 패턴에서의 특징 추출 능력이 뛰어나다는 것을 보여주었다.
• 범주형 임베딩은 기존의 원-핫 인코딩 대비 모델의 일반화 성능을 크게 향상시켰다.
• 시스템은 높은 정확도로 시정 조치를 성공적으로 예측하여 운영 의사결정 지원에 기여하였다.
• 제품 카테고리 예측에서는 정확도가 93.06%에 도달하여 뛰어난 성능을 보였다.
• 결과적으로, 임베딩 기반 딥러닝은 대규모 EU 데이터셋에서 식품 안전 위험의 조기 탐지에 실용적인 접근법임을 확인하였다.