非单调次模最大化的实用并行算法
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
本文提出了第一个常因子近似算法来实现任何非负子模函数的最大化,同时满足多个基数约束或背包约束,特别是在 k 个划分拟阵约束下,改进了以前已知的最佳保证,获得了(1 /k+1 + 1 /k-1 + ε)的近似保证。
Feb, 2009
本文提出了一种在单个 matroid 约束或多个 packing 约束下,通过小量自适应查询轮次来最大化 submodular 函数的多线性扩展的算法,该算法在 submodular maximization with a matroid constraint 和 non-monotone submodular maximization subject to packing constraints 两个问题上均获得了近乎最佳的拟合比例,并且在自适应轮次和并行运行时间上提出了指数级别的加速。
Aug, 2018
本文讨论了带有 $d$ 背包限制的任意模子模函数最大化问题,建立了离散问题和连续松弛之间的强联系,并利用这种联系提出了近似算法和确定性技术,得到了很好的解决方案。
Jan, 2011
我们通过降低一个非单调子模函数的约束条件 k 到同样约束条件 k 下最大化一个单调子模函数,肯定回答了陈和彭提出的问题,并得到了第一个动态算法来解决非单调子模函数最大化问题。我们的算法保持了一个 (8+ε) 近似的解,并且每次更新使用预期平摊的 O (ε^-3 * k^3 * log^3 (n) * log (k)) 或者 O (ε^-1 * k^2 * log^3 (k)) 的预言查询。此外,我们展示了我们的动态算法在视频概述和基于几个真实数据集的最大割问题上的优势。
Nov, 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