本研究扩展了 Narasimhan 和 Bilmes 的工作，提出了基于子模函数差别最小化的新算法，该算法能有效地解决多种组合约束的问题，并且能够用于许多机器学习问题中，它在性能上优于现有的算法。

Jul, 2012

通过提出一种新颖的分布式界限算法，并使用多轮基于分区的分布式贪心算法，此论文解决了子集选择问题，能够在没有或极小损失质量的情况下，找到高质量的子集。

Feb, 2024

本研究回顾了子模及超模的定义与基本特性，介绍了多种子模函数及其泛化，离散限制的例子，最大化、最小化的算法，以及连续子模扩展。然后，着重探讨了子模函数在机器学习和人工智能领域中的应用，包括总结、聚类、数据子集选择和特征选择等方面。

Jan, 2022

文章提出了一种基于离散半微分的无约束和有约束子模函数优化的实用强大新框架，旨在为子模最小化和最大化问题提供统一的范例，并为解决这些问题提供了新的算法，该算法能够多次计算和高效率优化子模半梯度。作者还分析了该算法的理论性质，并进行了支撑的经验实验，证明其在最大化问题上的优秀表现。

Aug, 2013

本论文研究广义独立性、熵、互信息和总相关度等集合上的组合信息度量，这些度量通过子模函数进行参数化，严格推广了相应的熵度量。我们证明，对于大类满足一种非负性条件的子模函数，与另一个参数固定的情况下，子模互信息实际上是一种子模函数。我们将这种度量与分类，可靠分区和物品覆盖等问题联系起来。

Jun, 2020

本文提出一种针对子模函数的数据学习算法，可用于数据概括、特征选择和主动学习等机器学习领域。通过将贪婪最大化算法的输出解释为项目序列的分布，本文提出一种可微的方式对模型进行优化。实证研究表明，该方法对解决实际场景中的推荐和图像概括等问题有较好的效果。

Mar, 2018

本文提出了一种新的凸优化问题 —— 二次可分解子模函数极小化问题，该问题与可分解子模函数极小化问题密切相关，并在许多基于图和超图的学习环境中产生，例如基于图的半监督学习和 PageRank。我们采用了一种新的解决策略，并描述了可以通过随机坐标下降（RCD）方法和锥体投影优化的目标。我们还确定了 RCD 算法的线性收敛率，并开发了具有可证明性能保证的高效投影算法。基于超图的半监督学习的数字实验证实了所提出算法的效率，并证明了与现有最先进方法相比，在预测精度方面取得了显着的改进。

Jun, 2018

本文通过扩展 Edmonds 和 Lovasz 的研究，提供了关于子模性与凸性和凹性之间关系的更完整的画面，同时探讨了子模最大化的优化条件和一些近似条件的应用。

Jun, 2015

本文研究离散领域的函数特性 submodularity 及其在信号处理和机器学习中的应用。介绍了一些 submodular-friendly 的应用场景和优化算法，同时探索了 submodularity 与 convexity 和 concavity 之间的关系，讨论了建立最优性保证的方法。

Jun, 2020

该研究提出了一种基于离散子模规划问题的连续最佳逼近算法，提高了优化子模函数的效率和精度，并在图像分割任务中展示了该算法的优越性。

Nov, 2013