WorldCuisines : un banc d'essai à grande échelle pour la Question-Réponse Visuelle Multilingue et Multiculturelle sur les Cuisines du Monde

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

Résumé

Les Modèles de Langage Visuel (VLM), ont souvent du mal avec les connaissances spécifiques à une culture, en particulier dans des langues autres que l'anglais et dans des contextes culturels sous-représentés. Pour évaluer leur compréhension de telles connaissances, nous introduisons WorldCuisines, un banc d'essai à grande échelle pour la compréhension multilingue et multiculturelle, basée sur des images. Ce banc d'essai comprend un ensemble de données de questions-réponses visuelles (VQA) avec des paires texte-image dans 30 langues et dialectes, couvrant 9 familles de langues et comprenant plus d'un million de points de données, ce qui en fait le plus grand banc d'essai VQA multiculturel à ce jour. Il inclut des tâches pour identifier les noms de plats et leurs origines. Nous fournissons des ensembles de données d'évaluation de deux tailles (12 000 et 60 000 instances) ainsi qu'un ensemble de données d'entraînement (1 million d'instances). Nos résultats montrent que bien que les VLM performant mieux avec le bon contexte de localisation, ils ont du mal avec les contextes adverses et à prédire des cuisines et langues régionales spécifiques. Pour soutenir la recherche future, nous mettons à disposition une base de connaissances avec des entrées alimentaires annotées et des images, ainsi que les données 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.