通过机器学习算法，结合在线算法，可以提高选择问题中的服务质量，并且能够在预测准确的情况下最大化竞争力。

Jun, 2020

该论文研究了 $k$- 秘书问题，提出了一种自然的确定性算法，其竞争比率均高于 $1 /e$，并针对 $ k $ 较小的情况进行了分析。

Dec, 2020

该论文讨论求职选择问题的模型 —— 秘书问题及其改进模型，提出一种基于线性规划的技术，探索在不同模型下优化算法的结构。

Nov, 2020

本研究中，我们研究了在随机顺序模型下，针对背包问题和广义分配问题的在线算法，提出了一种基于两个优化算法的新型算法，竞争比最高达到 1/6.65 和 1/6.99。

Dec, 2020

本文将对深度学习模型的对抗攻击演化为数据流场景下的在线对抗攻击问题，提出了一个在线算法 Virtual + 并分析了算法竞争比例，在 MNIST 数据集上进行了实验。

Mar, 2021

本文提出了一种完全自适应的方法，适用于在线学习中的动态比较基准，并且应用到了零和博弈中。

Jan, 2015

本文介绍一种自然结合了 prophet inequality 和 secretary problem 的问题 ——Prophet Secretary，对于一些类似拍卖的场景，研究优化一个不确定情况下的分配过程中停止规则空间内的目标函数。发现使用 $n$ 个独立的非自适应阈值可以得到比 0.5 更高的竞争比率，上限约为 $(1-1/e)$，但无在线算法可以达到更好的竞争比率。当随机选择代理（客户）的顺序时，我们将单个项目的顺序定价机制的渐近近似保证从 0.5 提高到了 $(1-1/e)$。

Jul, 2015

本文介绍的是先知秘书问题，研究从已知的概率分布中随机选取样本的决策过程，在该决策过程中，算法必须在样本到来时立即选择一个样本，目标是使其相对于分布最大值的期望最大化。作者提出了一种新算法，该算法击败了 1-1/e 的边界，取得了 1-1/e+1/400 的最优值。

Nov, 2017

本文提出了一些基本的算法变体和改进，旨在提高已知 IID 模型和具有随机奖励延伸的模型的竞争比率，另外提出了加强型线性规划基准来提高非加权边的概率的情况。

Jun, 2016

研究了在线分配问题，通过创建不对称性来控制重用性引起的随机依赖，并建立了一个新算法，获得了最佳竞争比率。(The paper studies the problem of online allocation and proposes a new algorithm that creates asymmetry to control the stochastic dependencies induced by reusability, achieving the best possible competitive ratio.)

Feb, 2020