本研究旨在设计分类器，使其在不同的自动化水平下运行时具有最佳性能。我们提出了一种用于支持向量机的算法，它有近似保证，并对合成和现实数据进行了实验证明，说明在人类协助下，训练以不同自动化水平运行的管理学习模型可以优于全自动化的模型和单独操作的人类，为这个目标展开了新的思路。
Jun, 2020
通过将神经网络架构搜索问题转化为子模函数集优化问题，并在 CIFAR-100 和 ImageNet 上实现应用，在满足资源限制的前提下获得了比当前面向移动设备的最先进模型更好的性能的高效的启发式搜索方法。
Apr, 2019
本文提出一种针对子模函数的数据学习算法，可用于数据概括、特征选择和主动学习等机器学习领域。通过将贪婪最大化算法的输出解释为项目序列的分布，本文提出一种可微的方式对模型进行优化。实证研究表明，该方法对解决实际场景中的推荐和图像概括等问题有较好的效果。
Mar, 2018
本文阐述了机器学习中的非凸优化问题和直接方法在此领域的成功应用，旨在介绍这一领域的文献和分析非凸问题的简单程序工具。
Dec, 2017
探究人类计算中是否存在一种有意义的凸目标函数，以及是否存在可保证人类计算中凸性推理的合理客观函数。
Nov, 2014
本论文研究了通过机器学习解决 NP 困难问题的可行性，指出了训练数据的易变性及其对模型的影响，并提出了改进的方法来适应这个问题。该方法被应用于非线性、非凸、离散组合问题的求解，取得了有效的结果。
Jun, 2021
本文讲述了解释性学习系统是机器学习的一个新趋势，但由于现实数据是由非线性模型生成的，在研究非凸优化问题时，提供可解释性算法是具有挑战性的，本文研究了两个非凸问题：低秩矩阵补全和神经网络学习。
Jun, 2023
本文描述了机器人决策背后的决策过程，提出了一个基于优化问题的框架来优化自动化任务， 在基于这个框架的基础上提高算法的制定和实践，实现自动化的快速和迅速发展。
Mar, 2019
研究发现，即使在诊断精度高于人类专家的情况下，人类专家仍然可能会为高风险预测任务添加价值，并提出了一种统计框架来检测这种专家水平。这个框架在急诊科的数据上进行了测试。
本研究回顾了子模及超模的定义与基本特性，介绍了多种子模函数及其泛化，离散限制的例子，最大化、最小化的算法，以及连续子模扩展。然后，着重探讨了子模函数在机器学习和人工智能领域中的应用，包括总结、聚类、数据子集选择和特征选择等方面。
Jan, 2022