贪心算法
一类在每一步选择当前最优选项的算法策略，在多臂老虎机中表现为始终选择经验均值最高的臂，不进行额外探索，是EL-F算法在经验似然半径为零时的特例。
时间轴 (近 90 天)
作者提出了一种贪心算法：按顺序逐个优化每个智能体的局部策略，每个策略仅依赖其最近 m+1 个状态。
子模函数的最大化是经典的 NP-hard 问题，但利用曲率等参数可设计具有近似保证的贪心算法。
实验评估表明，贪心算法在交通监控场景中有效，验证了理论分析的实际可行性。
求解组合优化问题通常采用贪心或近似算法：每步选择能最大程度提升池 pass@k 估计值的部分解，直到达到预算。
该论文的贪心算法是集中式离线算法，需要已知所有玩家的激活概率，不直接解决分布式在线学习问题，而是作为性能基准（oracle baseline）。
对于异构异步MMAB，多项式时间的贪心算法可达到最优集中式分配的1/e近似比。
在异构异步MMAB中，若按玩家激活概率递减的顺序处理玩家，贪心算法的近似比可提升至1/√e。
该研究通过贪心算法在句子超图上求解支配集，得到的支配集句子构成最终抽取式摘要
在超图场景下贪心算法每步优先选择参与超边数量最多的句子节点，等同于优先选择涉及最多关键主题的句子
贪心近似策略求解支配集可在多项式时间内完成，其解的大小不超过最优解的O(ln n)倍
全部知识事实 (10)
实验评估表明，贪心算法在交通监控场景中有效，验证了理论分析的实际可行性。
50%待验证子模函数的最大化是经典的 NP-hard 问题，但利用曲率等参数可设计具有近似保证的贪心算法。
50%待验证求解组合优化问题通常采用贪心或近似算法：每步选择能最大程度提升池 pass@k 估计值的部分解，直到达到预算。
50%待验证该论文的贪心算法是集中式离线算法，需要已知所有玩家的激活概率，不直接解决分布式在线学习问题，而是作为性能基准（oracle baseline）。
50%待验证对于异构异步MMAB，多项式时间的贪心算法可达到最优集中式分配的1/e近似比。
50%待验证在异构异步MMAB中，若按玩家激活概率递减的顺序处理玩家，贪心算法的近似比可提升至1/√e。
50%待验证该研究通过贪心算法在句子超图上求解支配集，得到的支配集句子构成最终抽取式摘要
50%待验证在超图场景下贪心算法每步优先选择参与超边数量最多的句子节点，等同于优先选择涉及最多关键主题的句子
50%待验证贪心近似策略求解支配集可在多项式时间内完成，其解的大小不超过最优解的O(ln n)倍
50%待验证作者提出了一种贪心算法：按顺序逐个优化每个智能体的局部策略，每个策略仅依赖其最近 m+1 个状态。
50%