结合密度与重叠 (CoDO)：一种评估子图重叠显著性的新方法

图中聚类（包括重叠聚类）检测算法已受到研究社区的广泛关注。而该问题中一个密切相关的重要方面——聚类重叠统计显著性的量化，却相对未被探索。本文提出了关于量化网络中聚类间统计显著相互作用的首个理论与实际结果。此类问题常见于从社会网络分析到系统生物学等多种应用中。本文 addressed 了在 Erd\H{o}s-R\'enyi 图模型中量化两个聚类观测重叠统计显著性的问题。文中提出的分析框架通过结合子图大小及其边密度与其重叠部分对应值的比较信息，为重叠子图分配一个 $p$-value。该 $p$-value 在实际应用中展现出优异的判别特性，并被证明在广泛的参数范围内具有鲁棒性。我们的结果在合成网络、社会网络和生物网络上得到了全面验证。我们表明，我们的框架：(i) 从社区（圈子/通路）间的重叠密度和大小中汲取洞察，(ii) 在所有测试数据集上始终优于最先进的方法，以及 (iii) 与其他度量相比，具有更广泛的应用范围。在社会网络背景下，我们识别出高度相互依赖的（社交）圈子，并表明我们的预测与已知用户特征高度共富集。在生物分子相互作用网络中，我们表明我们的方法能识别通路间的新颖串扰，阐明其相互作用机制，并为生物分子相互作用的研究提供新机遇。