[LG]《Quality Diversity for Reliable Data Driven Time-Use Optimization》A Neumann, T Stanford, D Dumuid, F Neumann [Adelaide University] (2026)

在时间分配与健康领域，如何给出可靠的优化建议是一个悬而未决的难题。过去的方法受困于单纯追求预测模型上的最大健康收益，本质原因是它们忽略了模型本身的不确定性，常推荐出来自数据稀疏区、看似最优实则不可靠的方案。

本文的核心洞见是：把优化目标从“寻找单一最高分”重新看作“探索一系列兼具高性能与高置信度的方案”。由此，将预测不确定性作为评价标准直接嵌入质量-多样性（QD）算法这一关键操作，使问题得以解开。

这项工作真正留下的遗产是一种整合不确定性的决策范式。它为后来者打开的新门是，让推荐系统从“给出单一最优答案”转向“呈现一幅可靠且多样的高质量选项地图”，但其效果高度依赖于前端模型对不确定性的量化精度。

arxiv.org/abs/2608.05230 机器学习 人工智能 论文 AI创造营