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

本文研究在社交网络中，如何通过密度算法，从一个由多个技能节点构成的网络中，找到最合适的团队或合作对象，以满足项目对固定技能数量的要求，并给出了 3 - 近似算法和基于密度的启发式算法扩展，这类算法在多个团队协作兼容性指标方面具有优越性。

Feb, 2011

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

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

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

本研究针对图挖掘应用中的稠密子图问题，提出了一种动态算法，能够同时实现时间和空间效率，它是首个通过一遍流处理即可维护最稠密子图的算法。

Apr, 2015