本文研究了局部信息算法在社交网络上的优化问题的能力，重点探讨了顺序算法，其中网络拓扑初始状态未知，并且仅在已不可逆地添加到输出集合的顶点的本地邻域内显示。我们研究了各种问题，并解决了拓扑网络中的一个开放问题，同时还研究了在线网络招聘过程中的最小支配集的问题，并且发现网络提供商的决策会影响用户的战略互动。

Feb, 2012

提出了一种基于子模函数理论的随机算法，可以在多项式时间复杂度下有效地选择具有信息量的变量子集，并在两个复杂实际数据集上表现出良好效果。

Jul, 2012

通过结合人类好奇心理论，使用基于图神经网络的强化学习来探索图形化数据，这种内部动机探索方法尤其适用于推荐系统

Jul, 2023

本文提出了一种分布式在线贪心（Distributed Online Greedy, DOG）算法，用于从大型传感器网络中选择传感器来获取最有用的信息，算法证明了当效用函数满足自然的递减收益特性（称为次模性）时，可以实现非常强的理论无悔保证。该算法具有极低的通信要求，并可扩展到大型传感器网络中，同时支持基于观测值的传感器选择。在多个真实感知任务中进行了实证研究，证明本算法的有效性。

Feb, 2010

本文提出了一种使用信息论技术进行主动学习的算法，旨在根据网络拓扑结构和节点标签的联系，选择最能准确预测其他节点标签的子集节点，以便在不知道节点标签的情况下对所有节点进行标注预测，并在社交网络、英语小说中出现的单词以及海洋食物网络中的三个不同领域的网络上进行了测试。

Sep, 2011

本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性，以确保用户暴露于不同的观点，而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素，该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题，并设计了可扩展的近似算法。实验结果表明，该算法在多个真实世界的数据集上运行效率和可扩展性良好。

Sep, 2018

利用机器学习预测作为辅助，通过引入预测算法结合最近邻算法，探索未知环境的学习增加变种基于线上图探索问题的研究，证明当预测精度高时算法显著优于其他线上算法，并在预测较差时保持良好保证，提供了与预测误差平稳退化的理论最坏情况下的绑定，并通过计算实验证实了结果，同时还扩展了该概念到鲁棒算法的一般框架，通过在给定算法与最近邻算法之间进行谨慎插值，证明了新的性能边界，既利用特定输入的良好性能，又确立了对任意输入的鲁棒性。

Dec, 2021

通过识别节点的信息传播时间和感染情况，我们开发了一种有效的方法来追踪信息在网络中的扩散路径和网络，可以近似地解决 NP 难问题并应用于 170 万个博客和新闻文章，发现信息传播网络具有核心 - 边际结构。

Jun, 2010

本文研究社区勘探问题，提出基于预算的勘探算法，并通过对线上和线下的优化研究，提出了一种新的上置信度算法，可在多轮探索中实现对社区规模的学习，并将不同轮次的反馈相结合以获得恒定的后悔值。

Nov, 2018

本篇论文研究的是一个应用于移动机器人自主探索和检查的问题，即在燃料预算有限的情况下最大化从世界中获取的信息量的问题。作者提出了一种新颖的数据驱动的模仿学习框架，并通过 EXPLORE 算法来训练一个策略以模仿一个有完整信息并计算非简约解来最大化获取信息的先知，验证了这一方法在不同对象分布上的适应能力。

Nov, 2016