寻找具有大的 Jaccard 相似系数的时间网络中允许一定程度变化的密集子图，证明了问题的 NP 难性，提出了一种迭代算法和贪婪算法来发现具有良好目标值的密集子图，并通过实验证明了算法的效率和实用性。

Aug, 2023

本文对最密子图问题进行了全面的调查和概述，涵盖了多种变体和应用，并重点介绍了最近的成果和开放问题。

Mar, 2023

本研究旨在解决团队组建问题，通过社交网络来形成一个既社交亲密，又能分配任务且无用户过载的团队，并借助 crawled millions 的 GitHub 数据集和近似算法找到高效团队。

May, 2012

我们提出了一种用于新颖图像发现的快速、无需训练的算法，该算法将图像集合构建成一个知觉距离加权图，通过解决 K - 稀疏特征向量问题，在显著降低内存占用的同时，能够更准确地挖掘新颖图像。

Feb, 2024

该论文介绍了一种基于学习的密集子图发现方法，其中学习者查询的是边子集而不仅仅是单个边，并观察查询子集中边权重的噪声和。对于这个问题，该论文提出了一种在多项式时间内获得近乎最优解的算法，并设计了一个更可扩展的算法来处理大型图形。实验结果表明算法的有效性。

Jun, 2020

本文提出了一种新的解决模式来找到具有最高密度的图 G 的亚图 D，并通过 k-core 的方法开发了一些有效的解决方案来寻找包括基于团和一般模式定义密度的各种图的最密亚图，实验结果表明该算法比现有方法快四个数量级。

Jun, 2019

本研究解决了带有负权的稠密子图问题，提出了两个新的图挖掘原语，可用于在具有不确定权重的图中发现高效稠密的子图，研究了该问题的困难性，并设计出有效的近似算法和启发式方法。

Apr, 2019

本文提出一种用于寻找二分图中密集子图的本地算法，通过 Kannan 和 Vinay 提出的密度定义来衡量，在最多 O (Dk^2) 个顶点上，在密度 theta / O (log n) 的情况下找到最接近指定起始点的密集子图，算法的时间复杂度为 O (Dk^2)，与图中的顶点数无关。

Feb, 2007

该研究提出了首个用于私有网络中寻找最密子图的差分隐私算法，并展示了该算法在实际网络中隐私和准确性之间的权衡。

May, 2021

本文研究了具有高三角密度的图形，从结构的角度证明了这些图形的重要部分包含在密集的半径为 2 的子图的不相交联合中，同时展示该算法回收了近似稳定的 k - 介质实例中的聚类种植。

Sep, 2013