解读 Gaussian Boson Sampling for finding dense subgraphs

上篇博文，我们介绍了Arrazola在2018年发表的《Quantum approximate optimization with Gaussian boson sampling》文章，文中提到：如何利用Gaussian boson sampling 去加速随机优化算法、模拟退火算法和贪婪算法去求解Max-Hafinian问题。
其实，在同时，Arrazola又发表了一篇《Using Gaussian Boson Sampling to Find Dense Subgraphs》，在《Quantum approximate optimization with Gaussian boson sampling》这篇文章中，作者是疯狂给自己打广告哈哈哈。
近几天，索性就把Arrazola的同款论文《Using Gaussian Boson Sampling to Find Dense Subgraphs》[1] 给看了，下面做一个简单的解读（因为思想和他上篇论文的思想一致，不懂得可以去看我上篇博文~）。
解读开始：
作者在这篇论文里面，主要用到了两个技术

1. 将图编码到GBS中，使得GBS的Hafinan和图密度之间具有相关性 [2]；
2. 对于找子图问题，GBS-exploration 和 GBS-Tweaking操作的具体化（这个技术其实是作者延用了，他上篇论文的方法）

对于第一种技术，本人还没来得及看，下篇博文再作介绍吧；
对于第二种技术，GBS-exploration是和作者的前篇论文一样，然后GBS-Twe