במציאות הנוכחית, אנו נדרשים לאלגוריתמים לפתרון בעיות חישוביות המתייחסות לכמויות מידע עצומות: מחיפוש באינטרנט ועד אבחון גנטי. אלגוריתמים "קלאסיים" קוראים את כל הקלט שניתן להם (כלומר, את כל המידע שרלוונטי לפתרון הבעיה), ונחשבים יעילים אם הזמן שלוקח להם לעבד את המידע אינו גדול משמעותית מן הזמן הדרוש לקריאת המידע. אך בתקופה זו של Big Data (שלל נתונים המגיעים בכמויות גדולות ממקורות שונים ומשונים), עבור בעיות רבות, אפילו קריאה של כל המידע (בלי כל חישוב נוסף) עלולה לגזול זמן רב מדי. אי לכך, אנחנו מעוניינים באלגוריתמים שזמן העיבוד שלהם קטן משמעותית מן הזמן הדרוש לקריאת המידע הרלוונטי. אלגוריתמים אלו מכונים "סופר-יעילים". המחקר שלנו מתמקד בתכנון וניתוח אלגוריתמים מסוג זה. אלגוריתמים שכאלו קוראים רק חלק קטן מהקלט, נעזרים באקראיות (על מנת לבחור איזה חלקים מן הקלט לקרוא) ומחזירים תשובה מקורבת. בפרט, חקרנו אלגוריתמים סופר-יעילים לפתרון בעיות הקשורות למודלים של רשתות, מודלים של פיזורי הסתברות ומודלים של סביבות דינמיות. כל אחד מן המודלים המופשטים הנ"ל מאפשר לתאר מערכות ממשיות שונות. לדוגמה, מודל מופשט של רשתות מתאר מערכות רבות ושונות, ביניהן רשתות תקשורת ורשתות חברתיות. על ידי תכנון אלגוריתמים שניתן להוכיח באופן מתמטי את נכונותם עבור כל רשת ולא רק עבור רשתות המתאימות לאפליקציות ספציפיות, ניתן לפתח אלגוריתמים שהם לא רק סופר-יעילים אלא גם מאוד כלליים.