自适应子模性中的适应性
本文提出自适应子模性的概念，将子模集函数推广到自适应策略，并使用自适应贪心算法解决具有不确定性结果的随机优化问题，通过使用懒惰评估方法显著加快了算法。通过提供子模目标的几个示例，包括传感器放置，病毒营销和主动学习，证明了自适应子模性的实用性。
Mar, 2010
我们提出了 EC2 这个新的、贪心的主动学习算法，并证明了它与最优策略相竞争，因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质，称为自适应子模性，将子模集函数的经典概念推广到适应策略中。
Oct, 2010
研究了具有预算约束的最坏情况自适应优化问题，证明了具有点位置次模性和点位置成本敏感次模性的效用函数的两个简单贪心算法不是近似最优的，但其中最优的贪心算法是近似最优的，可以用于解决有限预算下的主动学习问题。
Mar, 2016
针对拥有大规模实例的问题，本文提出了第一个自适应复杂度为 O(log n)，且求解非单调子模问题的背包约束问题的常数因子逼近算法，该算法提出了一个子线性适应性的组合方法，其查询值仅为O(n)。
Feb, 2021
本文研究自适应子模块覆盖问题，在最坏情况下进行研究。该问题推广了许多以前研究过的问题，对于固定成本下观察每个医学测试的结果的效用函数，我们目的是选择一组物品以实现“目标值”，并在最小化实现代价（最大较差情况下成本）的同时逐步选择这些物品。同时研究了最坏情况下的最大覆盖问题。
Oct, 2022
在强化学习中，通过使用次模式集函数来捕捉递减回报值，我们提出了SubRL的范例，该范例旨在优化非加性的奖励，通过贪婪地最大化边际收益，我们的算法SubPO能够处理非加性奖励并且恢复出亚模拟赌博的最优恒定因子逼近，我们还引入了一种自然的政策梯度方法来在大型状态和行动空间下优化SubRL实例，我们将SubPO应用于生物多样性监测、贝叶斯实验设计、信息路径规划和覆盖最大化等多个应用中，结果表明我们的方法在样本效率和可伸缩性方面都表现出良好的性能。
Jul, 2023
我们研究了自适应组合最大化问题，在机器学习中是一个核心挑战，并应用于主动学习以及其他许多领域。我们研究贝叶斯设置下，考虑最大化目标在基数约束和最小成本覆盖下。我们提供了新的综合近似保证，包括之前的结果，并且更加加强了它们。我们的近似保证同时支持最大增益比以及接近次模效用函数，包括了在基数约束和最小成本覆盖下的最大化保证。此外，我们对一种修改后的先验提供了近似保证，这对于获得独立于先验最小概率的主动学习保证至关重要。此外，我们发现了一种自适应选择策略的新参数，称之为“最大增益比”。我们展示了这个参数比之前近似保证中使用的贪婪近似参数要更加宽松，并展示了它可以提供比之前结果更强的近似保证。特别地，我们展示了最大增益比永远不会大于策略的贪婪近似因子，并且它可以大为缩小。这为自适应组合最大化中有用的策略特性提供了新的见解。
Apr, 2024
贪婪算法的自适应子模块覆盖近似比率至少为1.3 *（1 + ln Q），这篇论文否定了Golovin-Krause在``自适应子模块性：主动学习和随机优化的新方法''中宣称相同算法具有（1 + ln Q）^2近似比率的先前结果。
May, 2024