一位教授开发了一种创新算法，该算法揭示了复杂网络中的隐藏结构，具有在欺诈检测、生物学和知识发现等方面的潜在应用。
尼古拉斯·西迪罗普洛斯（Nikolaos Sidiropoulos），弗吉尼亚大学工程与应用科学学院的教授，在图矿领域取得了重大进展，创造了一种新的计算算法。
图矿是一种用于分析各种网络的技术，例如社交媒体互动或生物系统，使研究人员能够识别不同组件之间关系的重要模式。这种新算法解决了长期以来困扰的问题，即在广泛的网络中准确定位紧密相连的簇，称为稠密三角子图。这个挑战在如欺诈检测、计算生物学和数据分析等领域至关重要。
这项研究成果发表在《IEEE知识与数据工程汇刊》中，属于由比利时鲁汶大学电气工程助理教授阿里特拉·科纳尔（Aritra Konar）领导的合作研究，科纳尔此前曾在弗吉尼亚大学担任研究科学家。
虽然典型的图矿算法通常专注于识别单个节点对之间的稠密链接—例如在社交平台上经常互动的两个人—但他们的新策略，称为三角稠密k子图问题，将焦点扩大到包括连接的三角形。这些三角形包含三个点，其中每一对都有连接。这个方法捕捉到更紧密的关系，类似于紧密的朋友圈或在生物功能中协作的基因簇。
西迪罗普洛斯表示：“我们的方法不仅考察单个连接，还研究三元素集合的互动，这对于理解更复杂的网络至关重要。”他在电气与计算机工程系授课。“这使我们即使在处理大量数据集时，也能发现更重要的模式。”
寻找稠密三角子图是一个特殊的挑战，因为使用传统方法很难高效地解决。然而，这种新算法采用了一种称为子模块松弛的技术，这是一种聪明的捷径，使得解决问题变得更简单，同时不牺牲关键信息。
这一进展为深入了解依赖于这些更深层次多连接关系的复杂系统铺平了道路。识别这些子群体和模式可能在检测欺诈活动、理解社交媒体社区动态或使研究人员更好地分析蛋白质相互作用或遗传联系方面发挥重要作用。
