論文の概要: Quality Diversity for Reliable Data Driven Time-Use Optimization

• arxiv url: http://arxiv.org/abs/2608.05230v1
• Date: Wed, 05 Aug 2026 12:41:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.634439
• Title: Quality Diversity for Reliable Data Driven Time-Use Optimization
• Title（参考訳）: 信頼性のあるデータ駆動型時間帯最適化のための品質多様性
• Abstract要約: 健康に関する決定の不確実性を無視することは、非現実的な時間利用勧告につながる可能性がある。 より信頼性の高い時間利用推奨のための不確実性定量化品質多様性(QD)フレームワークを導入する。 予測の不確実性をQDプロセスに組み込んだ新しいアプローチを開発し、より信頼性の高いレコメンデーションを生成する。
• 参考スコア（独自算出の注目度）: 7.9890374847664996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The daily allocation of the finite 24-hour time budget is strongly associated with physical, mental, and cognitive health. While predictive models can estimate the relationship between time-use compositions and health outcomes such as body mass index, life satisfaction, and cognition, most optimization approaches focus only on maximizing expected benefit and do not consider the uncertainty inherent in data-driven prediction. Ignoring uncertainty in health-related decisions can lead to unrealistic time-use recommendations. To address this gap, we introduce an uncertainty quantification Quality Diversity (QD) framework for a more reliable time-use recommendation. Objective functions are derived using compositional data analysis using a large child cohort dataset n > 1000, to capture the relationship between daily activity compositions and multiple health indicators. We develop a new approach that incorporates predictive uncertainty into QD processes and produces more reliable recommendations that balance the expected health benefits with the confidence of the model. We explore the solution space through variable-based and objective-based behavioral representations, revealing diverse high-quality time-use composition and explicit relationships between health outcomes under uncertainty. By embedding uncertainty directly into optimization, our framework shifts the time-use recommendations toward regions of lower uncertainty while preserving high-quality structures for more reliable decision-making in behavioral health.
• Abstract（参考訳）: 限られた24時間予算の毎日の割り当ては、身体、精神、認知の健康と強く関連している。 予測モデルは、時間的構成と身体質量指数、生活満足度、認知などの健康結果との関係を推定することができるが、ほとんどの最適化アプローチは、期待される利益を最大化することのみに焦点を当て、データ駆動予測に固有の不確実性を考慮していない。 健康に関する決定の不確実性を無視することは、非現実的な時間利用勧告につながる可能性がある。 このギャップに対処するために、より信頼性の高い時間利用推奨のための不確実な定量化品質多様性(QD)フレームワークを導入する。 目的関数は, 大規模コホートデータセットn > 1000を用いて構成データ解析を用いて導出され, 日常活動組成と複数の健康指標との関係を把握した。 予測の不確実性をQDプロセスに組み込んだ新たなアプローチを開発し、予測される健康上の利益とモデルの信頼性のバランスをとるための、より信頼性の高いレコメンデーションを生成する。 我々は,変数に基づく行動表現と客観的な行動表現を通して解空間を探索し,多様な高品質な時間利用構成と不確実性の下での健康結果の明確な関係を明らかにする。 不確実性を直接最適化に組み込むことにより、我々のフレームワークは、より信頼性の高い行動健康意思決定のための高品質な構造を維持しながら、より低い不確実性の領域に時間的推奨をシフトする。

関連論文リスト

• Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
  大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。 本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
  論文  参考訳（メタデータ） (2026-06-05T07:08:34Z)
• AutoHealth: An Uncertainty-Aware Multi-Agent System for Autonomous Health Data Modeling [11.685892314842357]
  textitAutoHealthは、健康データを自律的にモデル化し、モデルの信頼性を評価する、新しい不確実性対応マルチエージェントシステムである。 その効果を厳密に評価するために,多様なデータモダリティと学習環境にまたがる17のタスクからなる,挑戦的な実世界のベンチマークをキュレートする。 textitAutoHealthはすべてのタスクを完了し、最先端のベースラインを29.2%、不確実性評価50.2%で上回る。
  論文  参考訳（メタデータ） (2026-02-01T07:50:15Z)
• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• Uncertainty-Aware Optimal Treatment Selection for Clinical Time Series [4.656302602746229]
  本稿では,非現実的推定手法と不確実性定量化を組み合わせた新しい手法を提案する。 本手法は2つのシミュレーションデータセットを用いて検証し,1つは心血管系,もう1つはCOVID-19に焦点を当てた。 提案手法は, 異なる推定基準値にまたがって頑健な性能を示すことを示す。
  論文  参考訳（メタデータ） (2024-10-11T13:56:25Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Uncertainty-Aware Variational-Recurrent Imputation Network for Clinical Time Series [5.485209961772906]
  本稿では,命令と予測ネットワークを統一する新しい変分再帰型計算ネットワークを提案する。 具体的には,変数間の分布に基づく計算モデルと,時間的関係を利用する再帰的計算ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-03-02T05:12:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。