本篇论文介绍了一种新算法FAST，旨在通过最大化满足劣模性的子模函数，使逼近比例任意接近1-1 / e，由O(log（n）log^2(log k))次适应，总共使用O（nloglog (k))次查询，在处理大数据集方面，该算法的查询复杂度和轮数都非常高效，且实验证明，FAST比最先进的串行算法甚至是并行化的经过超级优化的状态算法都快得多。

Jul, 2019

本研究提出了一种基于随机贪心算法解决非单调子模函数下的背包约束问题的方法，该算法实现了5.83近似和O(nlogn)时间复杂度；并将其转移到随机版本的问题，得到了首个非单调目标的常数近似，实验表明该方法在实际和合成数据上的性能得到了改进。

Jul, 2020

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

针对子模最大化问题，本文提出了一种动态算法，该算法对于给定序列的插入和删除操作，维护了一个在任一时间点上具有 4+ε 近似度的子系统，其参数化为 matroid 约束的秩 k，并且查找复杂度与序列长度无关；同时，我们还探讨了基于基数约束的子模最大化问题的动态算法。

Jun, 2023

非单调子模最大化问题和打包约束下的子模并行算法设计优化和逼近

Aug, 2023

提出了两个确定性近似算法来解决非单调k-次模极大化问题，其在查询复杂度仅为O(nk)的情况下提供了常数近似比率，比现有算法少使用了Omega(log n)数量的查询。

Sep, 2023

本研究通过开发导向测量连续贪心算法的组合类算法，实现子模函数限制下的近似比率，同时进行去随机化处理和几乎线性时间算法的开发。

May, 2024

在本研究中，我们考虑了基于背包约束的子模型最大化问题，该问题涉及大小为n的总体。我们将最快确定性算法的近似因子从6+ε改进为5+ε，同时保持了O(n)的最佳查询复杂度。我们的技术是基于两个组件的性能优化：阈值贪婪子程序和建立两个不相交集合作为候选解。此外，通过仔细分析候选解的成本，我们获得了更紧的近似因子。

May, 2024

我们提出了一种新的算法，可以在实践中有效地解决非单调受限子模型最大化问题，结合了0.385的逼近保证和低的查询复杂度。通过在各种机器学习应用中进行实验，包括电影推荐、图像摘要等，我们评估了我们算法的实验性能，证明了我们方法的功效。

May, 2024

本研究针对在背包约束下非单调子模极大化问题，提出了一种高效的并行算法，有效将现有并行算法的最佳近似因子从$8+\epsilon$提高到$7+\epsilon$，且具备$O(\log n)$的自适应复杂度。通过构建新的交替阈值算法框架，该算法在保证自适应复杂度的同时显著提升了解的质量，在收入最大化、图像摘要和最大加权切割等多个应用上进行了广泛的实验研究，展现出优越的性能。

Sep, 2024