Dense subgraph detection is a fundamental problem in network analysis for which few worst-case guarantees are known, motivating its study through the lens of fixed-parameter tractability. But for what parameter? Recent work has proposed parameterizing graphs by their degree of triadic closure, with a $c$-closed graph defined as one in which every vertex pair with at least $c$ common neighbors are themselves connected by an edge. The special case of enumerating all maximal cliques (and hence computing a maximum clique) of a $c$-closed graph is known to be fixed-parameter tractable with respect to $c$ (Fox et al., SICOMP 2020). In network analysis, sufficiently dense subgraphs are typically as notable and meaningful as cliques. We investigate the fixed-parameter tractability (with respect to $c$) of optimization and enumeration in $c$-closed graphs, for several notions of dense subgraphs. We focus on graph families that are the complements of the most well-studied notions of sparse graphs, including graphs with bounded degree, bounded treewidth, or bounded degeneracy, and provide fixed-parameter tractable enumeration and optimization algorithms for these families. To go beyond the special case of maximal cliques, we use a new combinatorial bound (generalizing the Moon-Moser theorem); new techniques for exploiting the $c$-closed condition; and more sophisticated enumeration algorithms.


翻译:密度子图检测是网络分析中的一个根本问题,对此很少有最坏的保证,它可以通过固定参数的可移动性镜片进行研究。但是,对于什么参数?最近的工作已经根据三重封闭的程度提出图表参数化参数化。 最近的工作已经根据三重封闭的程度提出了一个以美元为单位的封闭式图表,它的定义是每个至少有美元共同邻居的顶层对子的封闭式图表本身都有一个边缘连接。将一个美元封闭式图表的所有最大晶片(从而计算出一个最大的细片)的特例,据了解,美元封闭式图表可以固定的参数(Fox等人,SICOMP 2020)。在网络分析中,足够密集的子图通常与cliques一样明显和有意义。我们调查了固定的硬度对美元封闭式图表的优化和查点的可移动性(相对于美元),以若干密度的子图为单位。我们关注的图形组,这是最精密的图表组合,包括有约束度的精密度、约束式的精密度、闭式的精确度的直径直径直径直径直径直径直径直径直径直径直径直径直径直的图表。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
图节点嵌入(Node Embeddings)概述,9页pdf
专知会员服务
39+阅读 · 2020年8月22日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
专知会员服务
109+阅读 · 2020年3月12日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Interest-aware Message-Passing GCN for Recommendation
Arxiv
12+阅读 · 2021年2月19日
Arxiv
8+阅读 · 2020年10月12日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
VIP会员
相关VIP内容
专知会员服务
25+阅读 · 2021年4月2日
图节点嵌入(Node Embeddings)概述,9页pdf
专知会员服务
39+阅读 · 2020年8月22日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
专知会员服务
109+阅读 · 2020年3月12日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【论文】图上的表示学习综述
机器学习研究会
14+阅读 · 2017年9月24日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员