- 通过利用翻译记忆进行检索增强机器翻译的优化示例选择
检索增强机器翻译通过检索类似实例的翻译记忆，以条件化神经解码器的预测。我们的目标是改进上游检索步骤，并考虑固定下游基于编辑的模型：多 Levenshtein Transformer。该任务是找到一组能够最大化源句子整体覆盖率的例子。为此，我 - 文档摘要：应用于关键词提取和图像检索的论文
自动摘要是降低文本文档长度的过程，以生成概述，保留原始文档的最重要的要点。我们通过推荐图像和生成包含关联和情感的意见摘要，研究了两个问题。我们使用概率模型和词相似性启发式方法生成图像标题和提取关键短语，并借助相关反馈机制重新排序这些关键短语 - 深度子模分群网络
本文介绍了一种新的参数化子模函数家族 —— 深度子模外周网络 (DSPNs)，以及用于训练这些函数的方法。我们引入了新的 GPC 风格的 “外周” 损失函数，并定义了一套新颖的训练采样策略，展示了 DSPNs 在学习子模性质方面的有效性以及 - INSITE: 使用子模函数和半监督数据编程对医学图像进行标注
在资源受限的环境中，利用有限的标注数据和领域专家的注释，通过有信息的子集选择和半监督数据编程方法，使用少量的样例图像来训练深度模型，取得了比其他半监督方法更好的结果。
- 在联邦环境中的可分解子模函数最大化
提出了一种联邦优化设置的分解可分模函数的优化方法，使用连续贪婪算法在客户端和中央服务器之间进行并行小步骤的局部优化，通过抽样和定期聚合来减少通信成本，并展示了如何与最大覆盖和设施位置等离散分解模最优化问题相结合。
- 求和最大子模函数博弈
在线决策问题、子模函数、求和 - 最大函数、强化学习以及后悔上界是该研究论文的主要关键词和内容。
- ICML存在偏差的多个排序基础下的子集选择：公平约束对多赢家投票评分函数的效果
本文通过研究 subset selection 问题中的系统性和无意识偏见，探讨了在加入公平性约束条件下如何提高选择结果的质量，发现这与使用 multiwinner 得分函数的方式有很大关系，有些函数只需要少量排名即可达到近似最佳解，而对于 - 基于 DC 规划的子模函数最小化差异
介绍了 DC 算法及其变种算法，并将其应用于 DS 问题的 DC 程序中，并将收敛性质与 DS 问题的收敛性质相连结，取得了比现有基线更好的结果。
- 快速子模函数最大化
本研究提出了一种基于新型搜索树数据结构的算法，可以高效地计算在线和离线子模函数最大值问题。
- 在有偏差的情况下最大化子模函数进行推荐
本研究提出一种算法用于在考虑限制因素的情况下，最大化一类亚模模函数。算法能够保证在该模函数家族下，输出子集的效用最优，并均衡代表每个子集组。
- 使用 IOHProfiler 对子模优化问题进行算法基准测试
本文介绍了一个基准测试算法的设置，旨在为子模优化问题的新算法的性能提供框架和比较。重点是开发迭代搜索算法，如进化算法，并将其实现提供并集成到 IOHprofiler 中，以跟踪和比较迭代搜索算法的进展和性能。我们介绍了一系列已集成到 IOH - ICML超模极大化 —— 非非负性保证、快速算法和应用
本文研究次模函数的优化和算法问题，提出了一种在 $k$-cardinality 约束下最大化 $g-c$ 的算法，并通过实验设计对其进行了验证。
- AAAI带有分割骨架约束的曲率有界函数贪心最大化
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 - 鲁棒组合优化的随机化策略
本文研究了一类鲁棒优化问题，提出了两种设计逼近算法的方案，一种适用于线性目标函数的问题，另一种则基于乘性权重更新方法，并证明了这些算法在特定条件下具有不错的逼近比例，可用于求解离散优化问题中的独立集、子模函数等问题。
- 快速最大化整数晶格上的非次模、单调函数
该论文提出了两种多项式查询复杂度的逼近算法来最大化整数格上的非子模函数，同时提出了一个广义影响力最大化框架来推广之前的研究，并在此背景下展示了我们算法的高效性。
- 可微子模最大化
本文提出一种针对子模函数的数据学习算法，可用于数据概括、特征选择和主动学习等机器学习领域。通过将贪婪最大化算法的输出解释为项目序列的分布，本文提出一种可微的方式对模型进行优化。实证研究表明，该方法对解决实际场景中的推荐和图像概括等问题有较好 - 超图上的次模性：从集合到序列
该论文探讨如何将子模函数的概念推广到序列的情况，并提出了可以用于一般图和有界入 / 出度的超图的两种新算法来解决这个问题。在应用方面，论文证明了算法对电影推荐，在线链接预测和 MOOC 课程序列设计等现实世界应用的实用性。
- 分布鲁棒子模最大化
通过直接优化偏差和方差的组合，该研究通过展示如何进行具有理论保证的高效算法，从而在次模函数中进行分布式鲁棒优化（DRO），从而实现在未知随机次模函数的情况下实现更好的性能和更好的推广。
- 多目标进化算法优化子模函数或单调近似子模函数
本论文研究基于多目标进化算法 GSEMO-C 的子模最大化问题（包括有 / 无大小约束的子模函数最大化问题，以及有大小约束的单调逼近子模函数最大化问题），证明了该算法可以在多项式期望运行时间内实现很好的近似效果。
- 超越基数约束的弱次模最大化：贪心法是否受益于随机化？
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。