WorldCuisines: Een grootschalige benchmark voor multiculturele en multiculturele visuele vraagbeantwoording over wereldkeukens

WorldCuisines: A Massive-Scale Benchmark for Multilingual and Multicultural Visual Question Answering on Global Cuisines

October 16, 2024

Auteurs: Genta Indra Winata, Frederikus Hudi, Patrick Amadeus Irawan, David Anugraha, Rifki Afina Putri, Yutong Wang, Adam Nohejl, Ubaidillah Ariq Prathama, Nedjma Ousidhoum, Afifa Amriani, Anar Rzayev, Anirban Das, Ashmari Pramodya, Aulia Adila, Bryan Wilie, Candy Olivia Mawalim, Ching Lam Cheng, Daud Abolade, Emmanuele Chersoni, Enrico Santus, Fariz Ikhwantri, Garry Kuwanto, Hanyang Zhao, Haryo Akbarianto Wibowo, Holy Lovenia, Jan Christian Blaise Cruz, Jan Wira Gotama Putra, Junho Myung, Lucky Susanto, Maria Angelica Riera Machin, Marina Zhukova, Michael Anugraha, Muhammad Farid Adilazuarda, Natasha Santosa, Peerat Limkonchotiwat, Raj Dabre, Rio Alexander Audino, Samuel Cahyawijaya, Shi-Xiong Zhang, Stephanie Yulia Salim, Yi Zhou, Yinxuan Gui, David Ifeoluwa Adelani, En-Shiun Annie Lee, Shogo Okada, Ayu Purwarianti, Alham Fikri Aji, Taro Watanabe, Derry Tanti Wijaya, Alice Oh, Chong-Wah Ngo

cs.AI

Samenvatting

Vision Language Models (VLM's) hebben vaak moeite met cultuurspecifieke kennis, vooral in talen anders dan het Engels en in ondervertegenwoordigde culturele contexten. Om hun begrip van dergelijke kennis te evalueren, introduceren we WorldCuisines, een benchmark op grote schaal voor meertalig en multicultureel, visueel gefundeerd taalbegrip. Deze benchmark omvat een dataset voor visuele vraagbeantwoording (VQA) met tekst-afbeelding paren in 30 talen en dialecten, die 9 taalfamilies bestrijken en meer dan 1 miljoen datapunten bevatten, waarmee het de grootste multiculturele VQA-benchmark tot nu toe is. Het omvat taken voor het identificeren van gerechtnamen en hun oorsprong. We bieden evaluatiedatasets in twee groottes (12k en 60k instanties) samen met een trainingsdataset (1 miljoen instanties). Onze bevindingen tonen aan dat VLM's beter presteren met de juiste locatiecontext, maar moeite hebben met tegenstrijdige contexten en het voorspellen van specifieke regionale keukens en talen. Om toekomstig onderzoek te ondersteunen, stellen we een kennisbank beschikbaar met geannoteerde voedselvermeldingen en afbeeldingen samen met de VQA-gegevens.

English

Vision Language Models (VLMs) often struggle with culture-specific knowledge, particularly in languages other than English and in underrepresented cultural contexts. To evaluate their understanding of such knowledge, we introduce WorldCuisines, a massive-scale benchmark for multilingual and multicultural, visually grounded language understanding. This benchmark includes a visual question answering (VQA) dataset with text-image pairs across 30 languages and dialects, spanning 9 language families and featuring over 1 million data points, making it the largest multicultural VQA benchmark to date. It includes tasks for identifying dish names and their origins. We provide evaluation datasets in two sizes (12k and 60k instances) alongside a training dataset (1 million instances). Our findings show that while VLMs perform better with correct location context, they struggle with adversarial contexts and predicting specific regional cuisines and languages. To support future research, we release a knowledge base with annotated food entries and images along with the VQA data.