提出了一种使用新的修剪技术的确切算法，可快速在非常大、稀疏的图中找到最大团，并提出了一个快得多且提供最优或接近最优解的启发式算法，同时在网络中检测重叠社区的开发方法。

Nov, 2014

本研究提出了一种基于新颖的修剪技术的精确算法，能够在大型稀疏图中快速找到最大团。实验结果表明，在大多数情况下，我们的算法比现有算法快数个数量级，并且我们还提出了一种能够在最优或接近最优解的情况下比精确算法快数个数量级的启发式变体。

Sep, 2012

该论文提出了一种快速、并行的最大团算法，特别适用于求解大型稀疏图，具备线性运行时特性，并且采用巧妙的预剪枝和分支策略，通过核心数和启发式算法发现关键点，同时使用并行搜索树加速探索；应用该算法计算强时间连通性和压缩图。

Feb, 2013

本文提出了一种非常高效的最大团算法，通过组合策略和基于图着色的边界和修剪，解决了匹配的成对约束问题，从而解决了三维点云配准中的问题。

Feb, 2019

本文提出一种多阶段学习方法，用于枚举最大团子集的搜索空间修剪，并展示其在不同领域图实例上的良好表现。

Sep, 2019

通过比较两种基于多核线程并行的最大团问题的分支定界算法的并行适应性，进一步提出了一种低开销、可扩展的工作分割机制，并通过解释并行搜索顺序和搜索空间内解的可能位置之间的交互来说明成功的原因。

Jan, 2014

提出了一种解决组合优化问题的图神经网络体系结构，可运用于所有二元约束满足问题的训练，无监督训练，性能非常优秀。尽管是通用的，但其性能可超过大多数贪心和半定编程算法，有时甚至优于特定问题的最优启发式算法。

Sep, 2019

我们实现了一种新算法来列举稀疏图中所有的极大团，并在大量的真实世界图形语料库上分析了其性能。我们的分析表明，该算法是第一个为列举大型稀疏图中所有极大团提供实用解决方案的算法。

Mar, 2011

该研究提出了一种基于机器学习的框架来扩大组合优化算法，并使用可解释的学习模型来提供更深层次的洞见，以设计更好的启发式方法，在最大团枚举问题中展示了该框架的性能，并从中获得启示设计了一种新的启发式方法。

Jan, 2020

该论文引入了一种物理启发的无监督图神经网络以解决稀疏图上的组合优化问题，作者展示了在最大割和最大独立集问题上这些 GNNs 的性能可以与或优于现有求解器，并且具有处理百万变量问题的能力。然而，该评论提出了一个简单贪心算法可以找到比 GNN 更好的质量的解决方案。此外，该评论者还建议通过基于真正困难的问题的标准基准测试未来的神经网络优化器。

Jun, 2022