摘要本文提出了一种在不确定图中发现最有可能稠密子图（MPDS）的新方法。不确定图中的每条边都有存在概率，使得计算稠密子图变得複杂。作者定义了稠密子图概率，并证明了计算该概率是#P难的。为了解决这个问题，设计了基于抽样的高效近似算法，并提供了准确性保证。实验结果表明，该方法

摘要密集子图发现（DSD）作为图数据挖掘的基础问题，旨在从图中找到密度最高的子图。虽然已有许多DSD算法，但它们在处理大规模图时往往不可扩展或效率低下。本文提出了在无向图和有向图上求解DSD问题的高效并行算法，通过优化迭代过程和减少迭代次数来计算核心数。同时引入了新的子

背景在很多应用中，例如欺诈检测、社区挖掘和图压缩等，需要从有向图中找到密度最高的子图，这被称为有向最密子图问题（DirectedDensestSubgraph,DDS）。DDS问题在社交网络、Web图和知识图谱等领域有着广泛的应用。例如，在社交网络中，可以用来检测假粉丝，在Web图中，可以用来发现网络