该研究提出了一种基于流的 MIP 公式，利用 Bender's 分解方法解决最优二元分类树问题，该方法比现有的 MIP 技术快 50 倍，并在标准基准数据集上将预测精度提高多达 13.8%。

Feb, 2020

提出了一种基于条件随机场的端到端可训练框架来解决图分解问题，用于图的二值化和特征表示学习，并在 MNIST 和真实世界中的多人姿态估计任务中进行了验证。

Dec, 2018

本文介绍了一种新的基于流的视频补全算法，采用提取与补全运动边缘，引入非局部流连接到时间上远离的帧中，来解决运动边界障碍问题，通过在 DAVIS 数据集上的实验证明其优于现有算法。

Sep, 2020

该研究利用机器学习提出了增强型 Benders 分解算法，用于解决两阶段随机安全约束机组组合问题。通过创建更紧凑的限制条件和减小主问题的规模，以降低计算成本和内存使用量。相较于传统的多限制条件 Benders 分解算法，在多个测试系统上的仿真研究表明，该学习辅助的 Benders 分解算法在解决两阶段随机安全约束机组组合问题方面具有显著的效果。

Nov, 2023

定义了一个组合优化问题，其可行解定义了给定图形的分解和节点标记，并提出了两种局部搜索算法来高效地找到可行解，应用于计算机视觉任务达到 state-of-the-art 应用特定精度。

Nov, 2016

本研究通过将图划分的特征化为一组提升的多割来研究所有分解（聚类）的集合，发现了与通过必须连接和必须割约束定义分解类以及与度量比较聚类有关的实际相关的见解。通过定义提升多割多面体的某些面的属性，定义高效的分离程序并在分支中使用这些程序，找到了由最小成本提升多割定义的最优分解的算法。

Mar, 2015

提出了一种通用的双升算法框架来处理组合问题的 Lagrangean decomposition，表现出明显的效能优势，可用于图匹配和多切问题等多种应用。

Dec, 2016

通过引入第一个实际有效的算法来计算扩展者分解及其层级，我们在大量的实验中展示了我们基于扩展者的算法在解决归一化割图聚类问题上相对于当前最先进的解决方案在解决质量上大大优于各种图类，如引用、电子邮件、社交网络或网络图，并且在运行时间上仍然具有竞争力。

Jun, 2024

研究并比较了基于分支减枝算法在理论和实践方面的差异，证明了这些算法在现实应用中具有竞争力，以及理论研究对分支算法实际影响的作用。

Nov, 2014

该论文提出了一种基于流的 MIO 表达式，以用于学习最优二叉分类决策树，并可容纳相应的边际约束，从而使决策树设计变得透明和公平。作者通过实验证明，其相较同类现有 MIO 方法，在性能和计算速度方面有明显提升。

Mar, 2021