SmellNet：面向真实世界气味识别的大规模数据集
人工智能
2026-04-15 v5
摘要
AI 仅凭气味感知和识别各种物质的能力，可对过敏原检测（例如闻出蛋糕中的麸质或花生）、监控制造过程以及感知指示情绪状态、压力水平和疾病的激素产生深远影响。尽管影响广泛，但用于训练和评估 AI 系统在真实世界中“闻”的能力的标准化数据集很少，因此进展甚微。在本文中，我们使用小型气体和化学传感器创建了 SmellNet，这是一个用于基于传感器的机器嗅觉的相对较大的数据集，将自然界中各种气味数字化。SmellNet 包含跨越 50 种物质（包括坚果、香料、草药、水果和蔬菜）以及具有固定成分体积比的 43 种混合物的约 828,000 个时间序列数据点，共收集了 68 小时的数据。使用 SmellNet，我们开发了 ScentFormer，这是一种结合时间差分和滑动窗口增强的基于 Transformer 的气味数据架构。对于 SmellNet-Base 分类任务，ScentFormer 在 GC-MS 监督下实现了 63.3% 的 Top-1 准确率；对于 SmellNet-Mixture 分布预测任务，ScentFormer 在 test-seen 划分上实现了 50.2% 的 [email protected]。ScentFormer 跨条件泛化并捕捉瞬态化学动力学的能力，展示了时间建模在基于传感器的嗅觉 AI 中的前景。SmellNet 和 ScentFormer 为跨医疗保健、食品和饮料、环境监测、制造和娱乐领域的基于传感器的嗅觉应用奠定了基础。
引用
@article{arxiv.2506.00239,
title = {SmellNet: A Large-scale Dataset for Real-world Smell Recognition},
author = {Dewei Feng and Wei Dai and Carol Li and Alistair Pernigo and Yunge Wen and Paul Pu Liang},
journal= {arXiv preprint arXiv:2506.00239},
year = {2026}
}
备注
Accepted to ICLR 2026; published as a conference paper at ICLR 2026. 32 pages; 21 figures