- 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 - 子模集约束下的公平性最大化
在机器学习中，基于 matroid 约束的子模最大化是一个具有各种应用的基本问题。最近，已经在有限制条件下的流式和离线设置下考虑了基于基数约束的子模最大化中的公平性，但对于更一般的 matroid 约束问题，只有在流式设置下且只考虑单调目标 - 动态非单调次模最大化
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 - AAAI非单调次模最大化的实用并行算法
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
- 基于交集副模块的最大化问题在玩偶集和背包约束下的求解
本文研究了在多种约束条件下的子模最大化问题，并提出了 SPROUT 算法和 SPROUT++ 算法，证明它们能够比现有算法更好地实现多项式近似保证，并通过电影推荐和加权最大切割等应用的实验证明了 SPROUT++ 算法的优越性。
- 基于动态规划的拟阵子模最大化算法
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 - 在不可预测和部分可观测的环境中，进行多机器人协调的匪类子模型最大化
研究部分可观测的不可预测环境下的多智能体协调问题，提出了一种基于子模块最大化和有界跟踪遗憾的赌博反馈协调算法，用于解决多机器人协调问题，并通过模拟多目标追踪实验对算法的效果进行验证。
- 非单调次模约束下背包约束下的线性查询逼近算法
本研究提出了两种简单实用的算法逼近非单调次模最大化问题，并分析了应用于收益最大化、图像摘要、最大加权切割等三个问题的有效性。
- 基于随机贪心学习的非单调随机次模最大化全博弈反馈
本文研究具有完全机器人反馈和随机奖励的无限制组合多臂武器匪徒问题，提出随机贪心学习算法 (RGL)，证明其对于时间区间 T 和武器数 n，达到 1/2 遗憾上限 Õ(T^(2/3))，并在实验中展示了其对于非次模和次模设置都优于其他全机器 - 具有有界追踪遗憾的在线子模合作：理论、算法和多机器人协调应用
在未知和对抗性的动态和非结构化环境中，提出一种带边界的次模协调算法，使得机器人可以在协调完成复杂任务的同时，学习到在最优时间内采取最优行动的能力。
- 使用少量最优臂进行非平稳赌博与元学习
研究了一种基于子模最大化的算法，该算法可以优化 K 个老虎机任务中最佳 M 个机器臂的最佳子集，表现出比标准算法更小的代价，同时解决了未知和已知任务边界的问题。
- 在线分布式数据选择的动态阈值法
通过子模最大化算法，我们设计了一个通用的、灵活的核心选择例程，可在使用最少内存的情况下从数据流中提取最有价值的子集，并在 ImageNet 和 MNIST 的学习任务中表现出了优于随机选择的性能
- 可适应近最优复杂度的组合算法：在背包约束条件下子模块最大化
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)。
- 针对背包约束的快速自适应非单调子模型最大化
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 - 贪心算法的不合理有效性：贪心算法适应尖锐度
通过定义锐度作为子模函数改善贪心算法性能的候选解释，本文探讨了贪心算法在最大化单调子模函数下的性能问题，显示子模函数的锐度影响贪心算法的表现，通过计算实验和理论结果，支持本文的说法。
- 在线连续子模最大化：从完全信息到 Bandit 反馈
本文提出了三种在线算法，分别用于子模最大化问题中的函数渐变计算优化、带赌博的子模最大化问题和响应式带乘积集约束的带乘积子模问题。三个算法在达到 $(1-1/e)$ -regret bound 的前提下，分别取得了复杂度为 $O (T^{4/ - KDD满足背包约束的敌对鲁棒次模最大化
该研究提出了针对单个和多个背包约束下的单调次模最大化的首个对抗鲁棒算法，具有可扩展的分布式和流式实现。性能评估结果表明，与现有非鲁棒算法的自然鲁棒化相比，该算法对于大型社交网络图等输入具有最佳的目标结果，并表现出极强的性能，即使与提前给出拆 - ICML利用不确定性的结构实现高效 Matroid 半 Bandits
本研究通过将实现优化为特定的子模最大化，并设计适应的近似程序，提供了首个可以依赖奖励结构来改善遗憾界限的有效算法。这一改进将状态 - of-the-art 的无间隙遗憾界限显著提高了 sqrt (m)/log m 倍。最后，我们证明了我们的 - 并行下考虑拟阵约束和装箱限制的子模块最大化
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 - 具近似最优适应性和查询复杂度的非单调次模最大化
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