我们提出了 EC2 这个新的、贪心的主动学习算法，并证明了它与最优策略相竞争，因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质，称为自适应子模性，将子模集函数的经典概念推广到适应策略中。

Oct, 2010

给定一个划分成 $n$ 个具有不同标签和内部不相交的凸区域的 $m$- 单纯形，可通过查询了解任何点的标签，本文提出了两种算法：CD-GBS 和 CR-GBS，并通过 Kakutani 的不动点定理证明了这些算法在计算近似均衡时提供了较佳的查询复杂性界限。

Jul, 2018

提出了新的可扩展算法来解决广义线性赌博机问题，基于在线计算的新算法（GLOC）将任何在线学习算法转化为 GLB 算法，同时，通过内积搜索，为选择大量臂的情况设计了新算法，并提出了一种快速准确的哈希键计算方法，并进行了实验验证。

Jun, 2017

本文研究在带权无向图中的二分查找问题，并给出了一个在查询顶点时几乎达到信息熵下界的算法，同时也探讨了该问题在不同情况下的复杂性。

Mar, 2015

介绍了 Grid Beam Search 算法，可以在任何生成序列的模型中使用，通过词汇约束来扩展 beam 搜索，并且在进行交互式预测翻译和领域自适应翻译实验中表现出良好的性能提升。

Apr, 2017

使用双向搜索策略和部分 Grover 搜索算法，提出了一种引用为双向 Grover 搜索的快速 Grover 量子搜索算法，相比传统的 Grover 搜索和部分 Grover 搜索在同样条件下减少了迭代次数。

Apr, 2024

本研究提出了一种新的多粒度优化算法，即颗粒球优化算法（GBO），通过引入颗粒球计算。GBO 采用很多粒度球来覆盖解决方案空间，并使用许多小而精细的粒度球来描述重要部分，以及少量大而粗粒度的粒度球来描述不相关部分，这种细粒度多粒度数据描述能力使其具有更强的全局搜索能力和更快的收敛速度，在比较 20 个基准函数的实验中，其性能更好，更快，更能逼近最优解，没有超参数，设计更简单，成为大多数现有智能优化算法的全面替代品。

Mar, 2023

该研究提出并评估了一种从完整数据学习贝叶斯网络的 k 贪婪等价搜索算法（KES），其主要特点在于允许贪婪性和随机性之间的权衡，从而探索不同的好的局部最优解。实验结果表明，KES 经常比贪婪等价搜索算法（GES）找到更好的局部最优解。

Oct, 2012

本文介绍了 GIBBON 作为一种通用的贝叶斯优化方法，它提供了一种新的信息增益近似方法，可解决包括噪声、多保真度和批量优化在内的一系列 BO 问题，并且是目前支持非欧氏空间的高性能但计算量轻的批量 BO 获取函数，同时在各种综合测试中表现优异。

Feb, 2021

该论文提出了两种方法来推断二进制代码的二步（监督式，无监督式）哈希。它们首先介绍了一种统一的公式，然后将得到一位的学习表示为二进制二次问题（BQP），最后提出了解决 BQP 的两种方法，并在三个基准数据集上进行了实验证明其优于现有技术。

Jul, 2016