WorldCuisines: Un banco de pruebas a gran escala para preguntas y respuestas visuales multilingües y multiculturales sobre cocinas globales

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

October 16, 2024

Autores: 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

Resumen

Los Modelos de Lenguaje Visual (VLMs) a menudo tienen dificultades con el conocimiento específico de la cultura, especialmente en idiomas distintos al inglés y en contextos culturales subrepresentados. Para evaluar su comprensión de dicho conocimiento, presentamos WorldCuisines, un banco de pruebas a gran escala para la comprensión del lenguaje multilingüe y multicultural, fundamentado visualmente. Este banco de pruebas incluye un conjunto de datos de preguntas y respuestas visuales (VQA) con pares de texto e imagen en 30 idiomas y dialectos, abarcando 9 familias lingüísticas y con más de 1 millón de puntos de datos, convirtiéndolo en el banco de pruebas VQA multicultural más grande hasta la fecha. Incluye tareas para identificar nombres de platos y sus orígenes. Proporcionamos conjuntos de datos de evaluación en dos tamaños (12k y 60k instancias) junto con un conjunto de datos de entrenamiento (1 millón de instancias). Nuestros hallazgos muestran que, si bien los VLMs tienen un mejor rendimiento con el contexto de ubicación correcto, tienen dificultades con contextos adversos y la predicción de cocinas regionales y idiomas específicos. Para apoyar la investigación futura, publicamos una base de conocimiento con entradas de alimentos anotadas e imágenes junto con los datos VQA.

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.