Submodular learning and covering with response-dependent costs

ما یادگیری تعاملی و پوشش مشکلات را در نظر می گیریم، در محیطی که عملیات ممکن است با هزینه های متفاوت روبرو شود، بسته به پاسخ به عمل. ما یک الگوریتم حریص طبیعی برای هزینه های وابسته پیشنهاد می کنیم. ما فاکتور تقریبی این الگوریتم حریص را در تنظیمات یادگیری فعال و همچنین در تنظیم عمومی محدود می کنیم. ما نشان می دهیم که یک ویژگی متفاوت از تابع هزینه، عامل تقریبی را در هر یک از این سناریو ها کنترل می کند. ما همچنان نشان می دهیم که در هر دو حالت، عامل تقریبی این الگوریتم حریص در بین تمام الگوریتم های حریص تقریبا مطلوب است. آزمایش ها مزایای الگوریتم پیشنهاد شده را در تنظیم هزینه وابسته به پاسخ نشان می دهد.