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

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

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

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

本文提出了针对流模型的新算法，用于发现图的局部密集组件，该算法在经过 O ((log n)/log (1+epsilon)) 次输入后，可以找到一个子图，其密度保证是最优解的 2 (1+epsilon) 倍。

Jan, 2012

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

本文研究了如何有效处理海量社交媒体数据，提出了 DYNDENS 算法，能够及时识别新兴的、备受关注的事件，这在真实场景中具有实际应用价值。

Mar, 2012

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

该研究提出了基于 butterfly motif (2,2-biclique) 的二分图密集子图定义，引入了高效的削除算法来查找这些子图，从而在实际数据中比 co-occurrence 网络的现有算法识别出更密集的结构。

Nov, 2016

本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

Jun, 2023