子模遇上结构化：在指数级结构化项目集中找到多样化子集

Nov, 2014

子模遇上结构化：在指数级结构化项目集中找到多样化子集

Submodular meets Structured: Finding Diverse Subsets in Exponentially-Large Structured Item Sets

Adarsh Prasad, Stefanie Jegelka, Dhruv Batra

TL;DR通过在组合项集上应用子模函数和高阶潜力，探索用于在结构化输出空间中找到多元解法子集的贪心算法，将贪心增广步骤降低到带有适当构造的高阶潜力的因子图推理中，以实现高效近似最大化。

Abstract

To cope with the high level of ambiguity faced in domains such as Computer Vision or Natural Language processing, robust prediction methods often search for a diverse set of high-quality candidate solutions or proposals. In structured prediction problems, this becomes a daunting task,

structured prediction submodular functions high-order potentials diverse subset factor graph

发现论文，激发创造

分布式基于配对次模函数的大于内存子集选择

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

分布式子模最大化

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

结构稳健次模最大化：离线与在线算法

本文提出了鲁棒次模函数最大化及其在结构组合约束下的有效算法，旨在提高对次模优化的建模范围，尤其应用于单个或多个基序，背包以及具有分散鲁棒性的标准约束条件，该算法适用于离线和在线设置，并且在线问题的双标准解决方案具有 sub-linear 的遗憾。

Oct, 2017

上下文子模预测学习策略

本文介绍了一种基于无悔学习的简单、高效、近似最优化的方法，以优化具有多种选择项的预测问题。实验验证了该方法在各种问题中的高效性和适用性，包括机械臂轨迹优化、新闻推荐和文件摘要。

May, 2013

超图上的次模性：从集合到序列

该论文探讨如何将子模函数的概念推广到序列的情况，并提出了可以用于一般图和有界入 / 出度的超图的两种新算法来解决这个问题。在应用方面，论文证明了算法对电影推荐，在线链接预测和 MOOC 课程序列设计等现实世界应用的实用性。

Feb, 2018

可微子模最大化

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

通过随机化实现子模函数最大化的长期公平性

通过开发近似算法解决具有组内公平性约束的单调子模函数最大化问题。

Apr, 2023

受限强凸性意味着弱子模性

通过连接高维度的子集选择和子模块化最大化，提出一种可以直接控制特征数目的贪心算法，将标准设置下的回复保证带入一般客观函数中，并在统计上达到可接受的性能。同时，我们的课题为组合结构的统计学习应用提供了独立的兴趣联系点。

Dec, 2016

结构化预测的紧密误差界

本文介绍了关于机器学习中结构化预测任务的理论分析，探究了标签预测对标签组合所带来的影响，以及如何通过图结构分类来达到期望错误率的降低。

Sep, 2014

分布式次模最大化的新框架

通过将现有算法从顺序设定应用到分布式设定，仅利用恒定数量的 MapReduce 循环，在许多设置中实现了接近最优的近似比率。我们的技术还为满足矩阵约束的非单调最大化提供了快速的顺序算法。

Jul, 2015