本文提出自适应子模性的概念，将子模集函数推广到自适应策略，并使用自适应贪心算法解决具有不确定性结果的随机优化问题，通过使用懒惰评估方法显著加快了算法。通过提供子模目标的几个示例，包括传感器放置，病毒营销和主动学习，证明了自适应子模性的实用性。

Mar, 2010

我们提出了 EC2 这个新的、贪心的主动学习算法，并证明了它与最优策略相竞争，因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质，称为自适应子模性，将子模集函数的经典概念推广到适应策略中。

Oct, 2010

本文研究两个新的优化问题——在满足子模下限的约束条件下最小化子模函数（子模覆盖）和在满足子模上限的约束条件下最大化子模函数（子模背包）。我们将这些问题表述为约束优化问题，并获得许多有界逼近保证。此外，我们证明了这两个问题的紧密关联，并提供了一种解决一个问题的逼近算法用于获得另一个问题的逼近保证。最后，我们通过实验证明了本文算法的效果和良好的可扩展性。

Nov, 2013

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

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

本文提出了半自适应策略，用于最大化自适应单调次模函数，能够实现几乎完美的近似保证，并将自适应次模最大化策略的适应性差距缩小了指数级别。

Nov, 2019

本文研究自适应子模块覆盖问题，在最坏情况下进行研究。该问题推广了许多以前研究过的问题，对于固定成本下观察每个医学测试的结果的效用函数，我们目的是选择一组物品以实现“目标值”，并在最小化实现代价（最大较差情况下成本）的同时逐步选择这些物品。同时研究了最坏情况下的最大覆盖问题。

Oct, 2022

利用随机bandit反馈在无序集合函数最大化问题中建立了首个极小极大下界，并提出了一个能够匹配下界的算法。

Oct, 2023

贪婪算法的自适应子模块覆盖近似比率至少为1.3 *（1 + ln Q），这篇论文否定了Golovin-Krause在``自适应子模块性：主动学习和随机优化的新方法''中宣称相同算法具有（1 + ln Q）^2近似比率的先前结果。

May, 2024