子模函数:从离散到连续领域
本文介绍了一种弱 DR 属性,用于给出有关子模性的统一特征,证明了可以在近似保证的同时高效地最大化子模连续函数,为在一般下闭凸约束条件下最大化单调 DR - 子模连续函数和在盒约束条件下的非单调子模连续函数提供了算法,并探讨了其在不同实际应用中的应用性。
Jun, 2016
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
这篇论文研究了函数的最大化问题,其中由凸可解体 $P$ 所定义的一类 $F (x) = G (x)+C (x)$ 函数是凸函数和 DR 子模函数的一个严格扩展,提供了一些算法实现,并在实际应用中进行了验证。
Jun, 2021
本研究探讨了在一般的向下封闭凸约束下最大化非单调 DR-submodular 连续函数的问题,通过研究其几何属性提出了两种具有漂亮保证的优化算法,并扩展到更广泛的广义 DR-submodular 连续函数类以适用于更多应用场景。
Nov, 2017
介绍了子模函数的理论,包括在计算机科学和应用数学(如机器学习,计算机视觉,运筹学或电力网络)中发挥重要作用的集合函数,类似于向量空间上的凸函数。假定掌握了凸分析的基础知识。
Oct, 2010
研究离散和连续方法在可分解子模函数最小化中的联系,提出了基于组合论的优化算法的改进时间估计,并通过明确级别 - 0 和级别 - 1 算法之间的明显区别,对两种方法进行了系统的实验性比较。
Mar, 2017
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