提出了一种基于子模函数理论的随机算法，可以在多项式时间复杂度下有效地选择具有信息量的变量子集，并在两个复杂实际数据集上表现出良好效果。

Jul, 2012

本研究通过分析子模函数的最大化和谱分析的见解，引入了子模性比率作为一种关键性质，研究了从大量随机变量中选择 k 个变量的问题，以实现对另一个感兴趣的变量的最佳线性预测，取得了这个问题方面最强的现有近似保证，并运用了该技术进行了实验和分析。

Feb, 2011

本研究以连续贪心算法为基础，研究了具有一般性骨架约束的随机子模最大化问题，主要应用于在线学习，团队形成，设施位置，影响最大化，主动学习和感知目标函数。实验表明，使用多项式梯度估计代替样本估计，可有效减少随机性并缩短执行时间。

Mar, 2023

选择最佳的信息源子集，以便在有限假设集合上，基于有限样本观察结果，从事实世界的真实状态中识别出正确的假设。使用误分类惩罚框架来描述学习性能，并研究了两种情况下的子集选择问题：（一）选择最小成本的信息集合以保证在将真实假设错误分类的最大惩罚保持有界的情况下；（二）在有限的预算下选择最佳信息集合以最小化将真实假设错误分类的最大惩罚。通过渐进性的贪心算法建立了近似优化性能保证。

May, 2024

通过提出一种新颖的分布式界限算法，并使用多轮基于分区的分布式贪心算法，此论文解决了子集选择问题，能够在没有或极小损失质量的情况下，找到高质量的子集。

Feb, 2024

该研究探讨了一种二次（或秩一）测量模型，该模型在抽取各种低维协方差结构方面具有最优性，在使用各个结构的凸松弛范例进行恢复时，可能具有流数据处理、高频无线通信、相空间层析和光学相检索以及非相干子空间检测等各种应用。

Oct, 2013

本文提出了一种新的凸优化问题 —— 二次可分解子模函数极小化问题，该问题与可分解子模函数极小化问题密切相关，并在许多基于图和超图的学习环境中产生，例如基于图的半监督学习和 PageRank。我们采用了一种新的解决策略，并描述了可以通过随机坐标下降（RCD）方法和锥体投影优化的目标。我们还确定了 RCD 算法的线性收敛率，并开发了具有可证明性能保证的高效投影算法。基于超图的半监督学习的数字实验证实了所提出算法的效率，并证明了与现有最先进方法相比，在预测精度方面取得了显着的改进。

Jun, 2018

本文提出了一种适用于分布式计算的子模函数最大化方法 GreeDi，该方法可在 MapReduce 框架下实现，初步实验表明该方法可应用于大规模机器学习任务中的子模优化问题，如稀疏高斯过程推断和样例聚类等问题，且在一定的自然条件下，可以达到接近于传统集中式计算模式下的性能表现。

Nov, 2014

本研究考虑了在不是二次凸的参数空间上估计二次函数的问题，通过局部阈值法构造了最小极大风险优化程序，这些非二次规则有时即使最优二次规则收敛缓慢，也能够完全高效地实现估计，并且发现在估计二次函数时，非二次规则可能表现出不同的拐角现象。

Mar, 2006

提出了基于本地子模型逼近的优化框架（LSA），并使用 TR 和 AUX 原则，实现了在广泛应用中获得现有标准技术如 LBP，QPBO 和 TRWS 的最新结果。

Nov, 2013