可扩展次模优化
设计低复杂度离线算法、流式算法与并行算法，在近似比、自适应复杂度和查询复杂度之间取得平衡。
About
个人简介
崔爽，1997年生，山东人，苏州大学优秀青年学者，江苏省双创博士。 2024年于中国科学技术大学计算机科学与技术学院获博士学位（推免硕博连读），同年8月被苏州大学计算机科学与技术学院以优秀青年学者身份引进，聘任为副教授。
主要从事人工智能、机器学习、算法博弈论与数据挖掘相关研究。研究主线包括面向大规模组合优化问题的可扩展次模优化算法；采购拍卖中的预算可行机制设计；以及基于次模优化的大模型数据选择与优化方法。 研究成果服务于数据摘要、推荐系统、影响力最大化及大模型优化等应用。
18
高水平论文
15
CCF-A 类论文
3
CCF-B 类论文
KDD
Best Student Paper 候选
Education
教育背景
中国科学技术大学
计算机科学与技术，硕博连读（推免研究生），工学博士
中国地质大学（武汉）
本科
Funding & Service
科研项目与学术服务
- 主持国家自然科学基金青年项目
- 主持江苏省基础研究计划青年基金项目
- 会议审稿 / 程序委员会：ICLR（2024–2026）、NeurIPS（2023–2026）、ICML（2023–2026，Silver Reviewer）、KDD（2024–2026，Outstanding Reviewer）、AAAI（2025–2027）、CIKM（2024，Subreviewer）、AISTATS（2025–2026）、WWW（2025）
- 期刊审稿人：Journal of Combinatorial Optimization（JOCO）、Artificial Intelligence（AIJ）、Theoretical Computer Science（TCS）、《计算机科学》
Research
研究方向
围绕“高质量理论保证 + 可落地数据科学应用”展开。
预算可行机制设计
研究采购拍卖中的预算可行机制，兼顾真实性、预算可行性与近似保证。
大模型与次模优化
利用次模结构开展大模型的数据选择与优化。
组合优化与数据科学应用
面向数据摘要、推荐系统、影响力最大化和社会计算等场景，推动理论算法落地。
Publications
代表性论文
已在 ICML、KDD、WWW、SIGMETRICS、AAAI、NeurIPS、SIGMOD、JAIR、AIJ 等会议与期刊发表论文。
Budget-Feasible Mechanisms for Submodular Welfare Maximization in Procurement Auctions
International Conference on Machine Learning (ICML), 2026, acceptance rate: 26.6%.
CCF-A · 机器学习TOP3
Submodular Maximization under k-System Constraints in Parallel: A Trifecta of Approximation, Adaptivity, and Query Complexity
ACM SIGKDD Conference on Knowledge Discovery and Data (SIGKDD), 2026, acceptance rate: 20.0%.
CCF-A · 数据挖掘顶会
IMGNN: An Efficient, Effective and Generalizable Algorithm for Influence Maximization in Social Networks
ACM SIGKDD Conference on Knowledge Discovery and Data (SIGKDD), 2026, acceptance rate: 20.0%.
CCF-A · 数据挖掘顶会
Linear-Time Algorithms for Representative Subset Selection From Data Streams
International World Wide Web Conferences (WWW), 2025, acceptance rate: 19.8%.
CCF-A · 综合与交叉顶会
Practical Parallel Algorithms for Non-Monotone Submodular Maximization
Journal of Artificial Intelligence Research (JAIR), 2025.
CCF-B · JCR Q2
Fairness in Streaming Submodular Maximization Subject to a Knapsack Constraint
ACM SIGKDD Conference on Knowledge Discovery and Data (SIGKDD), 2024, acceptance rate: 20.0%.
CCF-A · Best Student Paper 候选 · Oral
Deletion-Robust Submodular Maximization with Knapsack Constraints
AAAI Conference on Artificial Intelligence (AAAI), 2024, acceptance rate: 23.8%.
CCF-A · 人工智能顶会
Constrained Subset Selection from Data Streams for Profit Maximization
International World Wide Web Conferences (WWW), 2023, acceptance rate: 19.2%.
CCF-A · 综合与交叉顶会
Practical Parallel Algorithms for Submodular Maximization subject to a Knapsack Constraint with Nearly Optimal Adaptivity
AAAI Conference on Artificial Intelligence (AAAI), 2023, acceptance rate: 19.6%.
CCF-A · 人工智能顶会
Streaming Algorithms for Constrained Submodular Maximization
SIGMETRICS 2023, acceptance rate: 15.9% (Conference Version); POMACS 2022 (Journal Version).
清华A类/CCF-B
Randomized Algorithms for Submodular Function Maximization with a k-System Constraint
International Conference on Machine Learning (ICML), 2021, acceptance rate: 21.5%.
CCF-A · 机器学习TOP3
Approximation Algorithms for Submodular Data Summarization with a Knapsack Constraint
SIGMETRICS 2021, acceptance rate: 12.1% (Conference Version); POMACS 2021 (Journal Version).
清华A类/CCF-B
Efficient and effective budget-feasible mechanisms for submodular valuations
Artificial Intelligence (AIJ), 2025.
CCF-A · 人工智能顶级期刊
Randomized Pricing with Deferred Acceptance for Revenue Maximization with Submodular Objectives
International World Wide Web Conferences (WWW), 2023, acceptance rate: 19.2%.
CCF-A · 综合与交叉顶会
Deterministic Approximation for Submodular Maximization over a Matroid in Nearly Linear Time
Advances in Neural Information Processing Systems (NeurIPS), 2020, acceptance rate: 20.1%.
CCF-A · 机器学习TOP3
Triple Eagle: Simple, Fast and Practical Budget-Feasible Mechanisms
Advances in Neural Information Processing Systems (NeurIPS), 2023, acceptance rate: 26.1%.
CCF-A · 机器学习TOP3
Chromatic Correlation Clustering, Revisited
Advances in Neural Information Processing Systems (NeurIPS), 2022, acceptance rate: 25.6%.
CCF-A · 机器学习TOP3
Efficient and Effective Algorithms for Revenue Maximization in Social Advertising
ACM Conference on Management of Data (SIGMOD), 2021, acceptance rate: 41.8%.
CCF-A · 数据库TOP1
Recruiting
欢迎对科研有热情的同学加入
你所关心的，这里都有：充足科研经费、融合的团队氛围、学术能力过硬且可靠的导师，以及清晰的成长路径。
一对一指导
导师将以合作者身份深度参与科研工作，帮助你完成从问题发现到论文发表的全过程。
顶会论文机会
直接提供高质量论文 idea，优秀同学有机会以第一作者身份发表顶级会议 / 期刊论文。
继续深造支持
在读期间表现优秀的同学，将获得校内外推荐与后续博士深造支持。
适合你的方向
大模型与次模优化、近似算法设计与分析、数据科学应用中的组合优化问题。
如果你享受科研的乐趣，或者希望通过科研追求更好的个人发展，欢迎联系交流。
