本文介绍了一种基于动态规划的贝叶斯网络求解算法，支持高维度数据、连续和分类数据、以及 <a href='Ovarian Cancer'> 卵巢癌 </a> 基因表达数据的准确建模，算法效率高且容易扩展。

Jul, 2022

理论图形模型和贝叶斯模型选择的一个重要成就是 Chickering 和 Meek 提出的著名贪婪等价搜索（GES）算法。本文通过建立一般非参数 DAG 模型的一致性理论，证明了 GES 对满足马尔科夫因子化平滑性条件的 DAG 模型的结构估计一致性。这一结果整合了近期非参数贝叶斯方法对比未定义 DAG 模型的测试，并重新得出了经典结果，从而推导出了 GES 应用于一般 DAG 模型的一般一致性定理。

Jun, 2024

本研究探讨了大数据环境下的贝叶斯网络结构学习问题，提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法，并在环境和流行病学数据以及公共数据集上验证了其准确性。

Apr, 2018

提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

Nov, 2018

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

本文通过 Cheeseman-Stutz 渐近逼近和 Expectation-Maximization 算法的结合，提出了一种有效的方法来学习混合有向无环图模型（MDAGs），并探讨了参数和模型结构的搜索问题。

Jan, 2013

该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

Mar, 2013

该研究文章探讨了如何从用户知识和统计数据中学习贝叶斯网络，提出了一种得分度量和搜索程序，并通过从单个先验贝叶斯网络构建先验概率分布，识别出两个重要的假设（事件等价性和参数模块化），为连续变量或离散和连续变量混合的领域开发分数度量方法。

Feb, 2013

本文研究从数据中学习离散变量贝叶斯网络的算法的复杂度结果，结果表明即使具有独立性、推理或信息神谕，识别高得分的结构也很困难，负面结果也适用于每个节点最多有 K 个父母的离散变量贝叶斯网络，其中 k > 3。

Oct, 2012

使用置换的贪心方法，基于一个置换多面体中的边图，在有限多步内，找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换，该方法成功应用于有向无环图的生成。

Feb, 2017