该论文提出了一个简单的分布式算法来解决在机器学习中的受限次模最大化问题,该算法可以并行运行并且提供可证明的常数近似保证,即使在单个机器上无法解决的问题也可以通过该算法高效地解决。
Feb, 2015
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
该篇论文提出了一种针对固定容量的分布式子模型最大化的框架,应用于广泛的算法和约束条件,并且为任何可用容量提供近似因子的理论保证,并在多个数据集上进行了实证评估,表现竞争性与中心化贪婪算法相当。
May, 2016
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
本文介绍了两种在 MapReduce 模型中的基数约束子模规划的简单算法,第一种算法在 2 个 MapReduce 轮中可以实现 1/2 的近似度,第二种算法可以在 1+o (1)/ε 个 MapReduce 轮中实现 1−1/e−ε 的近似度。
Oct, 2018
该研究提出了针对单个和多个背包约束下的单调次模最大化的首个对抗鲁棒算法,具有可扩展的分布式和流式实现。性能评估结果表明,与现有非鲁棒算法的自然鲁棒化相比,该算法对于大型社交网络图等输入具有最佳的目标结果,并表现出极强的性能,即使与提前给出拆除集合的线下算法相比也是如此。
May, 2019
本文提出了一种能够动态地为信息源进行排序,同时又能保证重复信息的减少不会影响子模函数的最优化问题算法,并在真实的 Web 数据集中分别实验了广告分配和动态排名两个在线优化问题。
Jul, 2014
非单调子模最大化问题和打包约束下的子模并行算法设计优化和逼近
Aug, 2023
本文提出了单遍流式和在线算法的受约束 k - 次模最大化,其中包含基数和背包约束限制,该算法可以提供不错的近似解和高效的解决方案,并在广告分配等应用实例上得到了验证。
May, 2023
论文研究流式子模最大化算法中公平性的应用,提出了针对劣模最大化算法的公平机器学习算法,包括在鸽子数量受限的情况下的流式算法以及无法实现的结果。最后,通过社会网络中的最大覆盖,电影推荐和样本聚类等应用的实验验证了其有效性。