研究了 Greedy 算法在非子模不减集函数基数约束最大化中的性能，并证明了在一些重要的非子模函数如贝叶斯 A - 最优目标函数中，该算法具有很强的经验性能。我们以广义曲率 α 和子模性比率 γ 的组合为特点，证明了其理论保证，特别地，对于基数约束最大化，我们证明了 Greedy 算法具有紧密的近似保证为 1/α(1-e^(-γα))。另外，我们还限制了在几个重要的真实世界目标中子模性比率和曲率，包括贝叶斯 A - 最优目标、方形子矩阵的行列式函数和具有组合约束的某些线性规划。

Mar, 2017

本文提出了一种线性时间算法 STOCHASTIC-GREEDY 用于求解一般性单调子模函数最大化问题，旨在实现对数据的概括，比传统算法 lazy greedy 更快且表现基本一致。

Sep, 2014

本文提出了一种随机贪心算法来最大化弱次模函数在一般拟阵约束下的值，其中距离次模性的距离由参数 γ 衡量，该算法在实践中表现良好，并且是第一个能够约束弱次模函数最大化具有非平凡逼近保证的算法。

Jul, 2017

本研究探讨了确定性 GREEDY 算法在分区拟阵约束下的函数最大化问题中的性能，特别是对于非单调子模函数或单调半可加函数的贪心最大化问题给出了近似保证，并讨论了其在最大化行列式函数、有向图上的最大割问题和组合拍卖游戏等三个实际问题中的适用性，从而为解决有界曲率的约束最大化问题的近似解提供了思路。

Nov, 2018

研究分布式情况下近似最大化非单调子模函数时算法适应性和查询复杂度的方法及其应用

Aug, 2018

本文探讨了子模最大化算法的适应性，证明了一个新的算法可以在 O (log n) 自适应回合内实现接近于最优 1-1/e 近似。

Apr, 2018

本文研究自适应子模型优化的适应性和查询复杂度，提出了适用于最大基数约束的单调子模型函数的分布式算法，并将其推广到子模型覆盖问题。

Jul, 2018

本文介绍了针对具有限制条件的子模函数进行最大化的两种算法 ——Repeated Greedy 和 Sample Greedy，并比较了这两种算法在电影推荐方面的表现。结果表明，Sample Greedy 在保证效用相同的情况下，性能至少比最佳基线提高了两个数量级。

Apr, 2017

针对大型数据集中贪心算法的运行时间会非常高的问题，本文介绍了 2 种运用分布式计算和随机评估技术的更快逼近贪心向前选择算法，并且证明了弱次模性的泛化概念足以为这 2 种算法提供乘性逼近保证。同时，研究者还表明这些快速贪心逼近算法在人工数据和真实数据集上的性能要优于多个已有的基线算法。

Mar, 2017

通过连接高维度的子集选择和子模块化最大化，提出一种可以直接控制特征数目的贪心算法，将标准设置下的回复保证带入一般客观函数中，并在统计上达到可接受的性能。同时，我们的课题为组合结构的统计学习应用提供了独立的兴趣联系点。

Dec, 2016