- 线性子模最大化与赌徒反馈
在带有赌博反馈的子模函数优化中，考虑使用逼近算法来最大化线性结构的子模客观函数，通过模拟算法和实证研究检验了样本效率与线性结构的关系。
- 具有 $k$- 次模函数的 Stackelberg 博弈下的分配风险感知性和鲁棒性
我们研究了在对抗环境中的子模规划优化问题，该问题适用于机器学习中使用容易受到不确定性和攻击的数据进行特征选择。我们关注攻击者和防御者之间的斯塔克尔伯格博弈，攻击者的目标是最小化防御者最大化的 k - 子模规函数。我们考虑攻击成功和数据噪声带 - CVPR目标检测的核心集选择
使用 Coreset Selection for Object Detection (CSOD) 方法，在考虑代表性和多样性的前提下，选择一小部分具有代表性和多样性的图像，以提高目标检测的准确性。
- 优化具有变量不确定性的概率约束子模问题
本文研究了确定性设定中的概率约束子模优化问题，提出了一种新的分析方法，并提供了贪心算法来近似求解最优解。在实验中，演示了算法在几个最大覆盖问题和影响力最大化问题上的有效性。
- INGENIOUS: 使用信息丰富的数据子集高效预训练大型语言模型
通过使用具有高度信息量的训练数据子集训练预训练语言模型，同时保持下游性能，我们展示了如何利用子模块优化来选择高度代表性的训练语料库子集，以有效地训练多个预训练语言模型。
- 学习可解释的决策规则集：一种次模优化方法
本文介绍了一种基于子模优化的学习规则集的方法，将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决，实验结果表明这种方法简单、可扩展且具有较好效果。
- 通过次模优化实现数据有效的结构化剪枝
文章提出了一个基于次模优化的可靠、高效的数据压缩方法，能够在模型输出稳定性和极小模型损失之间取得平衡，适用于数据稀缺情形下的神经网络压缩优化。
- AAAI概率约束次模函数的优化
研究使用机会约束的子模型优化问题，探讨贪心算法在应用对 Chernoff 边界进行约束违规估计的替代函数后，能高效地获得高品质解，同时在社交网络问题中也能保持有效性。
- 用于缩放子模块优化大规模问题的记忆化框架
使用预计算复杂性模型和记忆化的方式来优化大规模子模量优化问题，该方法在许多约束和非约束的子模量最大化，最小化，差异最小化问题中都适用，且在数据子集选择和摘要方面表现出了明显的加速效果。
- MapReduce 模型下的子模块最优化
本文介绍了两种在 MapReduce 模型中的基数约束子模规划的简单算法，第一种算法在 2 个 MapReduce 轮中可以实现 1/2 的近似度，第二种算法可以在 1+o (1)/ε 个 MapReduce 轮中实现 1−1/e−ε 的近 - 具有近似最优的适应性和查询复杂度的子模最大化
本文研究自适应子模型优化的适应性和查询复杂度，提出了适用于最大基数约束的单调子模型函数的分布式算法，并将其推广到子模型覆盖问题。
- 次模最大化的梯度方法
本文研究了许多学习应用中天然存在的连续子模函数的最大化问题，证明了随机投影梯度方法在凸约束下可以提供强的逼近保证，然后将其应用于随机子模函数的最大化问题，最后通过实验证明了该方法的有效性和实用性。
- 非凸目标的鲁棒优化
在本文中，我们考虑了鲁棒优化问题，提出将鲁棒但不合适的优化简化为贝叶斯优化，并应用于神经网络训练和子模优化，最终在字符分类和网络影响力最大化的实验中进行了评价。
- NIPS利用稀疏性进行高效子模型数据汇总
本文研究了设施选址问题的子模优化算法，提出了一种基于稀疏化的最优算法，解决了计算所有数据项对益处的问题，以加速其在相似性的广泛问题家族中的使用。
- 滑动窗口上的次模优化
本文在数据流的上下文中，提供了一种基于滑动窗口模型的次模优化的近似算法，该算法维护了一个解决方案，考虑的仅是最后 $W$ 个元素，使用空间多项式对元素值的传播速度的对数级别，线性大小的解决方案，并保持高品质的解，实际表现远超理论界限。
- NIPS关于 Frank-Wolfe 优化变量的全局线性收敛性
本文研究了 Frank-Wolfe 算法，提出了几个变体并分别给出了全局线性收敛性证明，证明了不同算法的收敛速度取决于几何量与条件数的乘积，这些算法在机器学习，子模优化等领域取得了实际应用。
- IJCAI主动探索网络中的信息收集
本文提出了一种从初始节点开始探索，一旦选择邻居节点，新节点变得可见和可选择的新模型，称为 NetExp，并给出了基于底层网络结构属性与理论边界的性能分析，此方法在各种模拟问题实例和社会问答系统中得到了评价。
- KDDTimeMachine：知识库实体的时间轴生成
本文提出了一种名为 TIMEMACHINE 的方法，用于生成知识库中实体的事件和关系时间轴，并发展了三个正交的时间轴质量标准来满足理想的时间轴时必须满足的条件，我们提出了一种基于子模不优化和 Web 协同出现统计的算法来为特定时间段和屏幕大 - 分布式子模最大化
本文提出了一种适用于分布式计算的子模函数最大化方法 GreeDi，该方法可在 MapReduce 框架下实现，初步实验表明该方法可应用于大规模机器学习任务中的子模优化问题，如稀疏高斯过程推断和样例聚类等问题，且在一定的自然条件下，可以达到接 - 子模最大化问题的紧凑组合算法在矩阵约束条件下的应用
提出了一种基于组合数学的算法，用于求解在一个制约性匹配中的单调子模优化问题，算法具有很高的精度和时间效率。