本研究提出了一种新的方法，用于利用精确贝叶斯网络推断中的因果独立性，并且通过算法 VE 对给定证据和查询变量进行因果独立推理，结果表明此方法更加高效，并且允许前人算法不能接受的更大网络的推理。
Dec, 1996
本文提出了一种形式化的特定背景下独立性的概念，可用于树形概率表的定量表示，并探讨了如何运用它来支持有效的推理算法。
Feb, 2013
本文提出了精确算法和近似算法，以及相应的公式分解和条件概率以及基于模型计数的概率推断方法，并展示了其在实验中的实际有效性，特别是相比于最先进方案，本文提出的算法可以利用公式结构信息大大提高效率。
Mar, 2012
本文介绍了一种可以计算由混合图表示的潜在变量因果模型的干预分布的算法，这个算法可以被看作是变量消除在混合图情况下的推广，并且在混合图的广义树宽度方面呈指数级别增长。
Feb, 2012
本文介绍了一种时间信念网络表示的因果独立，可以用来引导概率模型的知识工程师。该表示可以简化推理，而不需要使用不可观测的变量，适用于许多实际应用。
Mar, 2013
通过结合基于排序的 MCMC 算法和类似于有向无环图模型的稀疏性假设，我们提出了一种可扩展学习特定背景模型的混合算法，该算法在测试约束数量与标准有向无环图模型学习算法相同的情况下适用于数百个变量，并且经过合成数据和真实世界例子的实验证明，无论是准确性还是可扩展性都表现良好。
Feb, 2024
该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。
Feb, 2022
本文研究一种基于 Monte Carlo 采样的 “前向” 算法家族，用于解决在信念网络上计算概率推理的问题，并提出了几种改进策略以降低后验方差。
提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。
Mar, 2018
提出基于贝叶斯优化的因式化上下文策略搜索方法来提高机器人学习数据效率，通过将通常考虑的文本刻画为目标类型上下文和环境类型上下文两个部分，从而实现经验在目标类型上下文中直接泛化。初步结果表明，该方法在模拟玩具问题上可以更快地泛化策略。
Dec, 2016