[论文解读] 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 4

一句话总结

本文提出了一种使用类别嵌入的深度学习框架，结合多层感知机（MLP）和一维卷积神经网络（1D-CNN），用于预测欧洲联盟的食品安全风险。该方法基于欧盟食品安全通知数据，对产品类别、危害类别和纠正措施的预测准确率在74.08%至93.06%之间，证明了基于嵌入的模型在公共卫生风险预测中的有效性。

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%.

研究动机与目标

• 利用历史通知数据开发欧洲联盟食品安全风险的预测模型。
• 研究类别嵌入在提升表格型食品安全数据深度学习性能方面的有效性。
• 通过预测未来食品安全通知的关键特征，实现早期预警系统。
• 通过预先识别风险，优化食品安全机构的资源分配。
• 评估深度学习模型（MLP 和 1D-CNN）在食品安全问题多分类任务中的性能。

提出的方法

• 对产品类型和危害类别等离散特征应用类别嵌入，将其转换为密集向量表示。
• 在嵌入特征上端到端训练多层感知机（MLP）和一维卷积神经网络（1D-CNN）。
• 输入数据为1977年至2019年期间的匿名欧盟食品安全通知，包含产品类别、危害类型和纠正措施。
• 嵌入层学习类别变量的层次化表示，相比原始独热编码，可提升模型泛化能力。
• 模型训练目标为预测三个目标变量：产品类别、危害类别和措施类型。
• 模型评估以准确率为多分类任务的主要指标。

实验结果

研究问题

• RQ1 类别嵌入能否提升深度学习模型在预测食品安全风险类别方面的性能？
• RQ2 深度学习模型在多大程度上能基于历史欧盟数据预测未来的食品安全通知？
• RQ3 MLP 和 1D-CNN 架构在分类食品安全特征（如产品和危害类别）方面表现如何比较？
• RQ4 该模型能否有效预测食品安全事件所需的纠正措施？
• RQ5 该系统在不同食品安全风险类别中的预测准确率如何？

主要发现

• 所提出的深度学习模型在不同分类任务中取得了74.08%至93.06%的预测准确率。
• 1D-CNN 模型在预测危害类别方面优于 MLP，表明其在提取序列模式特征方面更具优势。
• 相比标准独热编码，类别嵌入显著提升了模型的泛化能力。
• 该系统成功以高准确率预测了纠正措施，支持实际操作决策。
• 模型在预测产品类别方面表现优异，准确率最高达到93.06%。
• 结果证实，结合嵌入的深度学习是大规模欧盟数据集中早期检测食品安全风险的可行方法。