本文提出以布尔规则为基础的分类方法，并通过基于整数规划和 Hamming 距离的算法，寻求简单分类规则和分类准确性之间的平衡，实现优于一级规则的分类效果。

Nov, 2015

本文提出了一种新的优化框架，用于学习准确且精简的两级布尔规则，通过线性规划松弛，块坐标下降和交替最小化等高效算法来更新优化函数，以实现准确性和可解释性之间的平衡。实验表明，我们的方法在准确性和可解释性之间提供了很好的权衡。

Jun, 2016

本文提出了 RLCG—— 一种用于解决大规模整数线性规划的迭代算法，它是第一个采用强化学习方法的列生成算法，并使用图神经网络表示感兴趣的 LP 的变量约束结构，成功应用于切割库存问题和带时间窗口的车辆路由问题中，相对于常用的贪心策略，该算法平均缩短 22.4％CSP 和 40.9％VRPTW 的 CG 迭代次数。

Jun, 2022

本文提出使用基于规则的特征（也称为规则集成）的广义线性模型，用于回归和概率分类，通过列生成算法，优化规则集合的复杂度和预测准确性的平衡。在逻辑回归和线性回归的实验中，与现有的规则集成算法相比，所提出的方法可以获得更好的准确性 - 复杂度平衡，一端可以与少量簇比较。

Jun, 2019

决策树是一种高度可解释的模型，用于解决机器学习中的分类问题。本文提出了一种基于列生成的启发式方法来学习决策树，在多类别分类实例中减少子问题数量，并改进了数据依赖约束和线性规划松弛解的分离模型，以提高可扩展性。

Aug, 2023

本文通过线性规划和列生成的优化技术，提出了一种求解低秩二元矩阵分解问题的算法，该算法不需要使用启发式模式挖掘，具有高精度和优化保证，并在真实数据集上取得了良好的效果。

Nov, 2020

本文提出了基于列生成的二进制哈希函数学习框架，通过拥有编码成对相似性比较信息的三元组集合，学习哈希函数来在大边缘学习框架内保留相对比较关系，此方法可以直接优化 AUC 和 NDCG 等多变量性能度量。作者使用列生成和割平面技术来解决优化问题，并提出了一种简化的 NDCG 损失用于有效推理。通过应用于排名预测和图像检索，实验表明，该方法优于一些最先进的哈希方法。

Feb, 2016

本文介绍了一种基于子模优化的学习规则集的方法，将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决，实验结果表明这种方法简单、可扩展且具有较好效果。

Jun, 2022

机器学习增强蚁群算法（MLACO）是一种用于列生成（CG）的有效方法，通过训练机器学习模型来预测子问题的最优解，并将该预测融入蚁群算法的概率模型中，以生成多个高质量的列。在解决冲突的装箱问题上，实验证明 MLACO 方法显著改善了 CG 的性能，并且当将该方法与分支定价法相结合时，能大幅缩短求解时间。

Apr, 2024

描述了一种基于机器学习的方法，用于给定多个输入变量的值来预测实值函数的值，并引出了一种规则决策模型，经实验证明其与现有的机器学习和统计方法具有竞争力并且有可能表现更好的回归性能。

Dec, 1995