Submodularity(次模性):一种集合函数(或离散函数)的性质,核心直觉是“边际收益递减”——当你已经拥有的集合越大,再加入同一个元素所带来的增益通常越小。它常用于组合优化、机器学习中的特征选择、信息检索与资源分配等问题。
(注:在更严格的数学表述中,它对应某类“离散的凹性/凸性对偶”结构;此外在不同领域也会有等价定义。)
/ˌsʌbˌmɑːdjʊˈlærɪti/
Submodularity often captures the idea of diminishing returns in set selection.
次模性常用来刻画集合选择中的“边际收益递减”。
Because the objective has submodularity, a greedy algorithm can achieve a strong approximation guarantee.
由于目标函数具有次模性,贪心算法通常能得到较强的近似保证。
submodularity 来自 **sub-**(“次/亚/在…之下”)+ modular(与 modulus “模/模数/尺度”相关)+ -ity(名词后缀,表示性质)。在数学语境中,modular 关联到“模性(modularity)”这种更强的结构;submodularity 字面上可理解为“低于/弱于模性的性质”,即一种比“模性”更一般、更宽松的条件。