Jun, 2017

流式非单调子模最大化：实时个性化视频摘要

PDF
TL;DR本文提出了第一个高效的单遍流式计算算法 Streaming Local Search，用于在独立系统和多重背包约束下，同时最大化非单调子模函数，解决实时提取和总结大规模视频流的问题。
real-time analysisstreaming algorithmssubmodular maximizationvideo summarizationsingle pass streaming
发现论文，激发创造
  • 做更少，得更多：带子采样的流式子模最大化

    该论文提出了首个一次遍历的流算法，用于求解子模最大化问题，采用数据采样，能够在各种情况下获得最紧密的逼近保证，同时具有最小的内存占用和对函数评估数量的最低要求，试验表明该算法在进行大规模机器学习问题的子模最大化时能够将其表现提高 50 倍以上

    Feb, 2018

  • 子模函数最大化的流式算法

    该研究主要针对单次流式处理的情况下，最大化一个非负子模集函数 f 编制一些确定性和随机算法，以实现对 p 匹配约束条件的大约 1 /p 的逼近，假设具有时间和资源约束。

    Apr, 2015

  • 约束 k 次模最大化的在线和流式算法

    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

  • 流式自适应次模最大化

    本文介绍了一种新的半策略次模函数类，针对流式问题，开发了一系列有效的算法来最大化其性能。

    Aug, 2022

  • 基于分区阈值算法的流式鲁棒次模最大化

    本文研究在流式场景下，求解具有基数限制 k 的单调子模函数最大化问题，提出了一种基于 STAR-T 算法的新型分区结构和指数递减阈值规则，这种算法只需要一次遍历数据，即可保留简短而健壮的总结性概括，还证明了在删除汇总得到的任何 m 个元素后，基于剩余的元素运行的一种简单贪心算法 STAR-T-GREEDY 可获得近似，最后通过两项不同的数据汇总任务证明了 STAR-T 的性能媲美先前的贪心和流式方法。

    Nov, 2017

  • 全息子模流处理：紧密逼近、最小内存和低自适应复杂度

    本文讨论了在 streaming setting 下最大化单调次模函数，并给出了一种新的算法 Sieve-Streaming++ 以及其扩展到多源 streaming setting 的方案，最终将该算法应用于 twitter 和 youtube 视频的多源数据摘要任务中进行效率测试。

    May, 2019

  • 海量数据流中子模函数最大化问题的 $1/2$ 之外近似算法

    该论文研究设计了一种流式亚模量最大化算法 SALSA，用于提取数据多样性、非参数学习、核机器、聚类等方面的大规模数据集的代表性摘要，取得了比现有算法更好的近似效果。

    Aug, 2018

  • 从数据流中公平且代表性地选择子集

    本研究旨在探究在数据流中从每个数据组中提取一定数量的代表项目的问题，并提出了一种公正的约束模型和有效的解决方案。该解决方案在最大化覆盖面和个性化推荐方面具有实际应用和较高的性能。

    Oct, 2020

  • 一致子模最大化

    在具有一致性约束的动态环境中，我们研究了在基数约束下最大化单调次模函数，其在数据挖掘和机器学习中有多个应用。我们提供了在此场景中具有一致性和逼近质量之间不同权衡的算法。实验证明我们算法在真实世界实例中的有效性。

    May, 2024

  • 在 Matroid 约束下流式子模最大化中的公平性

    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。

    May, 2023