submodular-maximization

本文提出了一种统一的算法框架，用于在划分拟阵约束下的分布式在线子模最大化，在完全信息和赌博机反馈两种情况下均实现了次线性 (1-1/e)-遗憾保证。此外，还引入了一种有界随机管道取整方案，以确保累积采样违规保持次线性。

本文引入了answer-in-context，一种用于预算受限多跳RAG的诊断指标，用于衡量黄金答案是否存在于打包后的读者上下文中，并提出了一种子模证据打包方法，在特定条件下优于启发式方法。

本文介绍了CDPR，一种基于子模最大化学习高准确率且可解释分类规则集的新方法，与现有方法相比，覆盖率提升超过2.5倍。