- 基于核心成像库和协同图像重建框架的正电子发射断层重建的随机优化框架
我们在开源的 Core Imaging Library (CIL) 中引入了一个随机框架，使得随机算法的开发变得更加容易。我们从文献中开发了五种这样的算法：随机梯度下降法、改良的随机平均梯度法、去循环的随机方差减少梯度法。通过对一个模拟的二 - 非单调子模型最大化在线性查询复杂度下的增强确定性近似算法
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 - 在线背包问题中的时间公平性
该论文研究了在线背包问题中的公平性及其影响，并针对不公平性问题提出了一种基于时间公平性的参数化确定性算法和一种公平、稳健及一致性的学习增强算法。
- 同行之路：一种新的 TSP 求解策略
本研究提出了一种基于模仿学习框架的策略来解决旅行商问题，并展示了所训练的图神经网络在大规模的 TSP 实例上的较快求解能力。
- k 秘书问题的新结果
该论文研究了 $k$- 秘书问题，提出了一种自然的确定性算法，其竞争比率均高于 $1 /e$，并针对 $ k $ 较小的情况进行了分析。
- 在 $O (m\log^2 n)$ 时间复杂度内求最小割
该研究提供了一种随机算法，用于在具有 n 个顶点的 m 个边的无向带权图 G 中高概率地找到最小割，并通过确定性算法在 O (m log n) 时间内找到了 G 的最小割。
- 在线自由处理子模最大化：随机化对分割矩阵 0.25 优势
本文研究了带有破坏性（free disposal）的 matroid 约束下的在线次模最大化问题。针对 k-uniform matroids，本文提出了一个与以往最优算法竞争比例更高的确定性算法；同时，本文也探讨了在 partition m - 用于近似矩阵乘法的共现方向素描
介绍了一种基于共现方向的确定性算法，用于流式处理下的矩阵乘积近似，与其他随机和确定性方法相比，共现方向实现了更好的近似误差界限。算法可在较小的草图规模下实现最佳低秩逼近的 $1+ε$- 近似，实验证明该算法胜过竞争算法。
- Frequent Directions：简单和确定性的矩阵草图
Frequent Directions 是一种新的确定性矩阵草图算法，适用于行更新模型。它在空间误差权衡中优于现有的流式算法的示例实现。
- MM最优 CUR 矩阵分解
提出了基于输入稀疏度的时间和确定性算法，用于构建具有 rank $(U)=k$ 的 low-rank 矩阵 $U$、CUR 分解，该算法的 $c，r$ 和 $rank (U)$ 同时近似于最优解。
- 相关均衡的查询复杂度
该论文研究了在一个允许算法在纯策略配置上查询玩家收益的模型中寻找 $n$ 个玩家博弈的相关均衡的复杂性，结果表明随机规避后悔的动态算法可以高效地得出近似相关均衡，但确切相关均衡需要更多的回报查询（随机算法瓶颈）并无法使用高效的确定性算法（因 - 基于动态权重的部分观测随机场模型聚合
本文提出了一种基于复杂的、确定性算法的参数优化方法，称之为 'herding dynamics'，该方法在处理随机场模型上表现良好。
- 用于 $k$-means 聚类的确定性特征选择
本文研究 k-means 聚类算法中的特征选择问题，提出了一种具有理论保证的确定性特征选择算法，该算法的核心是基于确定性方法的身份分解。
- 基于列的最优低秩矩阵重构
证明对于任意实值矩阵 X，在正整数 r≥k 的情况下，存在 X 的 r 个列的子集，将 X 投影到其中一个列的线性组合中，得出的结果将是 Frobenius 范数下的 X 的最佳秩 - k 逼近的一个近似值等于 sqrt ((r + 1) - 图的列表染色计数的相关性衰减和确定性 FPTAS
提出了一种确定性算法，用于大致计算图的列表着色数量及离散马尔可夫随机场模型的分区函数，该算法基于统计物理学中的相关性衰减现象，并且不需要最强的计数技术。
- 混合算法最佳构建
研究了基于混合算法的在线问题解决策略，其中构建了一个最优确定性混合算法和一个高效的随机混合算法，以竞争比为度量衡来评估混合算法的效率，解决了 Baeza-Yates, Culberson 和 Rawlins 所提出的多机器人搜索问题，并证明