本文提出了两种一致且计算效率高的算法，用于学习最小化的潜在树图模型，并与其他现有方法进行了比较，所提出的算法在隐藏马尔可夫模型和星形图等各种潜在树图模型上进行了详尽的数值实验。

Sep, 2010

本文提出了一种基于经验条件变差距离阈值处理的简单算法，针对高维 Ising (图形) 模型选择问题。对于具有稀疏局部分离器的图形族，该方法将是有效的，被用来作为结构估计的基准。我们在该文章中还建立了结构估计的非渐近必要和充分条件。

Jul, 2011

本文研究了从 i.i.d 样本中学习离散无向图结构的计算复杂性。首先，我们指出学习带有噪声的奇偶校验可以作为学习图模型的一个特殊情况。其次，我们提出一个有关统计算法的条件，它们无法在 $p$ 最大度数为 $d$ 的一般图模型上有效学习，因此需要限制模型类的大小。除了对图的结构性假设之外，我们还引入相关性衰减度量，研究了反铁磁模型。我们提供了一个性能介于 $O (p^2)$ 和 $O (p^{d+2})$ 之间的算法。

Dec, 2014

本文提出了一个有潜在变量的结构化预测的统一框架，包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近，在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果，比潜在结构支持向量机和隐藏条件随机场方法要好。

Jun, 2012

本文探讨了在高维场景下，从样本中学习成对图模型的结构问题。我们首先讨论了向前向后贪心算法在一般统计模型中应用的稀疏性一致性（稀疏模式恢复）特性。然后，我们将此算法特化到通过邻域估计学习离散图模型的结构问题上。我们的结果保证了样本数 n 随着问题规模 p 的增加而缩放，并且算法仅需要具有受限强凸性条件，这通常比不可表示性假设容易得多。

Jul, 2011

论文讨论高维高斯图模型选择问题，提出一种基于经验条件协方差的阈值算法，通过这个算法可以在可接受的时间内求解一些图形，此算法在某些透明条件下是一致的，与该模型的非零度和拓扑结构有关。

Jul, 2011

本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑 “信仰” 假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。

Jul, 2017

该研究考虑了多元线性树模型的结构学习问题，引入了一种基于谱递归分组算法的底层向上过程以从观察到的变量的独立样本中恢复树结构，并给出了确切恢复树结构的有限样本大小界限，这些界限基于潜在联合分布的统计和结构属性，并且样本复杂度保证不依赖于观察变量维度，因此适用于许多高维设置。

Jul, 2011

本文介绍了一种新的方法来恢复具有约束拓扑结构的图模型，方法使用了一个潜在结构来驱动一个惩罚矩阵，并同时执行变量之间的条件依赖图和隐含变量的推断

Oct, 2008

提出了一种新的自然算法，用于从样本中学习一般离散图形模型（即马尔可夫随机场）的图结构，它是一种贪心的算法，并且具有较低的计算复杂度，并且通过节点度数、图大小以及因子图的环来表征其样本复杂度，在此基础上将其专门用于 Ising 模型。

Feb, 2012