- 分布式基于配对次模函数的大于内存子集选择
通过提出一种新颖的分布式界限算法,并使用多轮基于分区的分布式贪心算法,此论文解决了子集选择问题,能够在没有或极小损失质量的情况下,找到高质量的子集。
- 重新审视匹配追踪:超越近似子模性
通过引入期望下具有子模性的函数,我们解决了从大量向量中选择子集问题。该函数的引入不仅在预期意义下通过贪心算法保证了接近最优,而且缓解了通常使用的匹配追踪算法的缺陷。同时,我们还探究了该贪心算法和匹配追踪算法之间的关系,并通过角度到达估计问题 - 机器学习和人工智能中的次模性
本研究回顾了子模及超模的定义与基本特性,介绍了多种子模函数及其泛化,离散限制的例子,最大化、最小化的算法,以及连续子模扩展。然后,着重探讨了子模函数在机器学习和人工智能领域中的应用,包括总结、聚类、数据子集选择和特征选择等方面。
- 子模性在行动:从机器学习到信号处理应用
本文研究离散领域的函数特性 submodularity 及其在信号处理和机器学习中的应用。介绍了一些 submodular-friendly 的应用场景和优化算法,同时探索了 submodularity 与 convexity 和 conc - 具有一般分裂函数的超图割
本文讨论了解决超图中两个终端节点的分离问题,以最小化分裂超边时的罚款总和,开发了一个基于势函数的框架,分析了基于集合大小的超边分裂函数,并证明了该问题在此条件下可归约为易处理的图形切割问题。同时,文章还分析了拓展到至少三个终端节点的多向切割 - ICCV资源受限的神经网络结构搜索:子模性假设是否有帮助?
通过将神经网络架构搜索问题转化为子模函数集优化问题,并在 CIFAR-100 和 ImageNet 上实现应用,在满足资源限制的前提下获得了比当前面向移动设备的最先进模型更好的性能的高效的启发式搜索方法。
- ABCD - 策略:针对有目标因果结构发现的预算实验设计
本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论,用于目标因果性发现。该方法基于次模性提供了可行的实现,并在人工数据集和真实数据集上证明其优越性能。
- 自适应序列次模性
本文通过子模性的角度来解决适应性、顺序性问题,提出了具有强理论保证的自适应贪心策略,同时在亚马逊产品推荐和维基百科链接预测任务上进行了实验。
- 大规模数据概括:一种两阶段次模方法
本文介绍了一种基于子模性的数据集成简化技术,并提出了适用于大规模数据集的流式处理和分布式处理算法。实验表明,此技术在图像摘要和共享出行优化等实际任务中有较高的效率和实用性。
- 利用重要性权重选择原型实现高效的数据表示
本文提出了一种数据挖掘算法,利用强理论保证在任何对称正定核情况下找到代表性原型和批评(即异常值),并演示了其在零售、MNIST 数字识别和 CDC 数据集上的实际应用效果。
- 弱次模可扩展的贪心特征选择
针对大型数据集中贪心算法的运行时间会非常高的问题,本文介绍了 2 种运用分布式计算和随机评估技术的更快逼近贪心向前选择算法,并且证明了弱次模性的泛化概念足以为这 2 种算法提供乘性逼近保证。同时,研究者还表明这些快速贪心逼近算法在人工数据和 - 快速视觉惯性导航中的注意力和预测
通过限制所分配的资源,利用贪婪算法选择最相关的视觉线索,实现了对飞行器实时机动的准确视觉惯性导航。
- NIPS有限预算下点子模函数的自适应最大化
研究了具有预算约束的最坏情况自适应优化问题,证明了具有点位置次模性和点位置成本敏感次模性的效用函数的两个简单贪心算法不是近似最优的,但其中最优的贪心算法是近似最优的,可以用于解决有限预算下的主动学习问题。
- NIPS子模哈明度量
通过利用次模性,我们探索了一类未被充分开发的函数(正多项式),它可以在二进制向量对之间定义恰当的离散度量,并且相对容易进行优化。我们还应用这些函数进行聚类和生成多样性 k-best 列表等任务,并在实验中证明了这些函数及相关算法的有效性。
- 次模性、凸性和凹性的多面体方面
本文通过扩展 Edmonds 和 Lovasz 的研究,提供了关于子模性与凸性和凹性之间关系的更完整的画面,同时探讨了子模最大化的优化条件和一些近似条件的应用。
- NIPS用户友好型次模优化的反射方法
该研究提出了一种基于离散子模规划问题的连续最佳逼近算法,提高了优化子模函数的效率和精度,并在图像分割任务中展示了该算法的优越性。
- StaticGreedy:在影响最大化中解决可扩展性与准确性的困境
本文提出了 StaticGreedy 算法以解决影响力最大化中的可扩展性 - 准确性困境,该算法通过满足子模性要求来保证影响扩散函数的子模性,并且可以将计算开销减少两个数量级而不损失准确性。同时,作者还提出了动态更新策略以加速该算法在大规模 - 动态网络延迟图谱
本文提出了基于时空 Kalman 滤波的网络制图框架来高效跟踪和预测 IP 网络中的路径延迟,通过利用拓扑和历史数据,选择最优路径进行延迟测量,并证明了所提出的预测器在线性预测器中是最优的,能够在真实数据集上胜过竞争方法。
- 一个厄米矩阵的主子矩阵的次模谱函数,扩展和应用
本文将协方差矩阵的特征函数的可加次模性扩展到其他谱函数,证明了如果 f 是范围包含矩阵 A 的谱且在其上具有算子单调性的函数的原函数,则函数 I -> tr f (A [I]) 是超模的,讨论了在无限维希尔伯特空间中的自伴算子和 M 矩阵的 - 在线分布式传感器选择
本文提出了一种分布式在线贪心(Distributed Online Greedy, DOG)算法,用于从大型传感器网络中选择传感器来获取最有用的信息,算法证明了当效用函数满足自然的递减收益特性(称为次模性)时,可以实现非常强的理论无悔保证。