懒惰比贪心更懒惰
本文提出了一种适用于分布式计算的子模函数最大化方法GreeDi，该方法可在MapReduce框架下实现，初步实验表明该方法可应用于大规模机器学习任务中的子模优化问题，如稀疏高斯过程推断和样例聚类等问题，且在一定的自然条件下，可以达到接近于传统集中式计算模式下的性能表现。
Nov, 2014
研究了Greedy算法在非子模不减集函数基数约束最大化中的性能，并证明了在一些重要的非子模函数如贝叶斯A-最优目标函数中，该算法具有很强的经验性能。我们以广义曲率α和子模性比率γ的组合为特点，证明了其理论保证，特别地，对于基数约束最大化，我们证明了Greedy算法具有紧密的近似保证为1/α(1-e^(-γα))。另外，我们还限制了在几个重要的真实世界目标中子模性比率和曲率，包括贝叶斯A-最优目标、方形子矩阵的行列式函数和具有组合约束的某些线性规划。
Mar, 2017
针对大型数据集中贪心算法的运行时间会非常高的问题，本文介绍了2种运用分布式计算和随机评估技术的更快逼近贪心向前选择算法，并且证明了弱次模性的泛化概念足以为这2种算法提供乘性逼近保证。同时，研究者还表明这些快速贪心逼近算法在人工数据和真实数据集上的性能要优于多个已有的基线算法。
Mar, 2017
本文介绍了针对具有限制条件的子模函数进行最大化的两种算法——Repeated Greedy和Sample Greedy，并比较了这两种算法在电影推荐方面的表现。结果表明，Sample Greedy在保证效用相同的情况下，性能至少比最佳基线提高了两个数量级。
Apr, 2017
本文研究了在确定性的 $ au$ 时，如何在满足固定大小约束 $k$ 的条件下最大化单调子模函数。提出了新的分区鲁棒性子模最大化算法，其构造具有指数增加大小的桶的分区，并在桶上应用标准子模优化子例程，证明了我们的算法对于更一般的 $ au = o（k）$ 具有相同的保证。在数据汇总和影响最大化方面，数值上验证了PRo的性能，并展示了对贪婪算法和Orlin等人的算法的优势。
Jun, 2017
本文提出了一种随机贪心算法来最大化弱次模函数在一般拟阵约束下的值，其中距离次模性的距离由参数γ衡量，该算法在实践中表现良好，并且是第一个能够约束弱次模函数最大化具有非平凡逼近保证的算法。
Jul, 2017
本文研究次模函数的优化和算法问题，提出了一种在 $k$-cardinality 约束下最大化 $g-c$ 的算法，并通过实验设计对其进行了验证。
Apr, 2019
针对拥有大规模实例的问题，本文提出了第一个自适应复杂度为 O(log n)，且求解非单调子模问题的背包约束问题的常数因子逼近算法，该算法提出了一个子线性适应性的组合方法，其查询值仅为O(n)。
Feb, 2021