RECALL-MM：基于计算方法和大语言模型的消费者产品召回多模态数据集
计算与语言
2025-04-01 v1 人工智能
机器学习
摘要
产品召回提供了洞察潜在风险和危险的宝贵信息，但其潜力尚未得到充分利用。本研究从美国消费者产品安全委员会（CPSC）召回数据库中收集数据，构建多模态数据集 RECALL-MM，用于数据驱动的风险评估，并利用生成方法进行数据增强。数据集中的模式揭示了特定区域，其中改进安全措施可能产生显著影响。我们通过交互式聚类图将所有召回信息嵌入共享潜在空间，基于召回描述和产品名称进行聚类。利用这些数据驱动工具，我们进行三个案例研究，展示数据集在识别产品风险和指导更安全设计决策中的实用性。前两个案例说明设计师如何可视化召回产品中的模式，并将新产品构思置于更广泛的召回景观中，以主动预见危险。第三个案例中，我们采用大语言模型（LLM）仅基于产品图像预测潜在危险，这表明模型能够利用视觉上下文识别风险因素，结果在许多危险类别中与历史召回数据高度一致。然而，分析也指出了危险预测仍具挑战的领域，强调在整个设计过程中保持风险意识的重要性。总体而言，本工作旨在搭建历史召回数据与未来产品安全之间的鸿沟，呈现一种可扩展的数据驱动方法，以实现更安全的工程设计。
引用
@article{arxiv.2503.23213,
title = {RECALL-MM: A Multimodal Dataset of Consumer Product Recalls for Risk Analysis using Computational Methods and Large Language Models},
author = {Diana Bolanos and Mohammadmehdi Ataei and Daniele Grandi and Kosa Goucher-Lambert},
journal= {arXiv preprint arXiv:2503.23213},
year = {2025}
}