연구진은 파티션 matroid 제약 조건 하에서 분산 온라인 서브모듈러 최대화 문제를 연구했어요. 여러 에이전트가 순차적으로 자신의 부분 집합에서 제한된 수의 액션을 선택하여 일련의 목적 함수의 누적 값을 최대화하는 방식이에요.
전체 정보 및 밴딧 피드백 모델 모두에 적용 가능한 통합 알고리즘 프레임워크를 개발하고, 두 피드백 모델 모두에서 기존 중앙 집중식 알고리즘과 유사한 $(1-1/e)$ 후회 보장 달성했어요.
지속적인 이완 및 라운딩으로 인한 샘플링 위반 문제를 해결하기 위해 경계 확률적 파이프라인 라운딩 방식을 개발하고, 샘플링 위반 확률이 점진적으로 사라지는 것을 입증했어요. 누적 샘플링 위반은 $T$에 대해 서브리니어임을 보였고, 특정 조건 하에서 개선 불가능함을 보여줬어요.