WorldCuisines: un benchmark su larga scala per il Question Answering Visivo multilingue e multiculturale sulle Cucine Globali

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

October 16, 2024

Autori: 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

Abstract

I Modelli di Linguaggio Visivo (VLM) spesso faticano con le conoscenze specifiche della cultura, in particolare in lingue diverse dall'inglese e in contesti culturali sottorappresentati. Per valutare la loro comprensione di tali conoscenze, introduciamo WorldCuisines, un benchmark su larga scala per la comprensione del linguaggio multilingue e multiculturale, basato su immagini. Questo benchmark include un dataset di domande e risposte visive (VQA) con coppie di testo e immagini in 30 lingue e dialetti, che coprono 9 famiglie linguistiche e presentano oltre 1 milione di punti dati, rendendolo il più grande benchmark VQA multiculturale fino ad oggi. Include compiti per identificare i nomi dei piatti e le loro origini. Forniamo dataset di valutazione in due dimensioni (12k e 60k istanze) insieme a un dataset di addestramento (1 milione di istanze). Le nostre scoperte mostrano che, sebbene i VLM si comportino meglio con il contesto di localizzazione corretto, faticano con contesti avversari e nella previsione di specifiche cucine regionali e lingue. Per supportare la ricerca futura, rilasciamo una base di conoscenza con voci alimentari annotate e immagini insieme ai dati 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.