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

个性化子图联邦学习paper:PersonalizedSubgraphFederatedLearningcodeAbstract更大的全局图的子图可能分布在多个设备上，并且由于隐私限制只能在本地访问，尽管子图之间可能存在链接。最近提出的子图联邦学习(FL)方法通过在局部子图上分布式训练图神经网络(gnn)来处理局

[VLDB2012]EfficientSubgraphMatchingonBillionNodeGraphs重点了解实现star-join的具体过程。分解query和STwigs排序文中把star叫做STwigs，每一个STwigs查询为\(q=(r,L)\)，其中r是跟节点标签，L是子节点标签合集。点的选择性：\(f(v)=deg(v)/freq(v.label)\)分解算法：每次

[VLDBJ2019]DistributedSubgraphMatchingonTimelyDataflow只关注这篇中的subgraphmatching的内容定义\(g=(V_g,E_g,L_g)\)分别表示点、边，以及把任意点或边映射成label的函数。如果是无标签图则会映射为空。对于任意点\(\mu\inV_g\)，定义\(N_g(\mu)\)为它的邻居节

In-MemorySubgraphMatching:AnIn-depthStudy一篇subgraphmatching的survey总结文章共分析了8中代表性的内存式子图匹配算法，在过滤、排序、扩展、优化四个方面做了对比。定义文中的重要符号表生成树的概念：生成树是一个连通图的最小连通子图问题定义子图同构问题是

Privacyandefficiencyguaranteedsocialsubgraphmatching动机目标是在不影响查询处理的同时保护隐私其中的子图匹配算法PGP查询会先被分解为星形结构（11行），拿这些分解得到的子图去做匹配实验数据集三个N分别表示类型、属性和标签数量。待补充

D.FishGraphYouaregivenasimpleundirectedgraphwith$n$nodesand$m$edges.Notethatthegraphisnotnecessarilyconnected.Thenodesarelabeledfrom$1$to$n$.WedefineagraphtobeaFishGraphifitcontainsasimplecyclewithaspecial

目录概符号说明必要的定义MotivationELPH代码ChamberlainB.P.,ShirobokovS.,RossiE.,FrascaF.,MarkovichT.,HammerlaN.,BronsteinM.M.HansmireM.Graphneuralnetworksforlinkpredictionwithsubgraphsketching.InInternationalConferenceonLearnin

WhatdoesStronglyConnectedComponentsmean?Whyasinglevertexcanbeacompoent?Inadirectedgraph,astronglyconnectedcomponent(SCC)isasubgraph

subgraph是什么subgraph索引协议作为Dapp领域最重要的基建之一（如uniswap、wave等都在使用），主要用来做链上数据索引，即在链下对链上事件进行捕捉（扫链、计算、存储），然后

[TKDE2022]HyperISO:EfficientlySearchingSubgraphContainmentinHypergraphs总结涉及了合理的过滤和匹配顺序策略，第一个实现子超图匹配简介文章的目标是异构超