研究在有时间限制的情况下，如何在重构信念网络与实施解决方案之间平衡时间分配；使用启发式搜索方法确定重构时间与执行推理过程时间之间的理想分配，依据偏好模型选择最佳重构时间。

Mar, 2013

我们介绍了一种新的方法 -- 联合概率树 (JPT)，它可以让学习和推理关于联合概率分布变得可行，支持符号和子符号变量，不需要先验知识，能够构建一个树结构，主要是通过训练数据 elicited 来建立子区域的关联性，最终发现 JPTs 可以是一个很有前途的概率图模型替代方案。

Feb, 2023

动态回归树是一种自动回归和分类的有吸引力的选择，可用于在线应用程序设置中具有复杂响应曲面的情况。本文提出了一种序列树模型及其粒子学习算法，这种算法允许对树状态进行高效的在线后验过滤。除此之外，本文还探讨了常数和线性均值函数以及分类问题的多项式叶子等问题，并提出了默认的先验规范。本文还详细说明了每个应用程序的具体方法。最后，实验证明，我们的方法在成本的一小部分下能够提供比常用方法更好的结果。

Dec, 2009

本文提出了一种基于模拟驱动的反推算法来模拟树枝的联合动力学，通过学习分支动力学和获得操作可变形植被的能力来帮助解决果实采摘等容易被遮挡的任务，在密集植被中进行导航。我们的非参数推断算法通过基于 Stein 可变梯度下降的神经网络驱动自适应学习的联合先验，通过有限差分方案的梯度逼近，将统计模型、参考轨迹和贝叶斯形式结合起来，实现了弹簧参数后验概率密度估计，可以准确预测变形轨迹，量化估计不确定性，并且具有强的鲁棒性，适用于存在异方差传感器噪声的情况，并且可以泛化到未见过的抓握位置。

Jun, 2023

本研究介绍了一种新的简单高效的贝叶斯球算法，可用于信任网络和影响图，用于确定无关集和所需信息，具有比现有方法更高的效率，大小线性关系。

Jan, 2013

本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。

Nov, 2021

我们提出了一个用于回答不完整知识图谱上任意合取查询的框架，该方法通过无限树状查询的系列来近似循环查询，并利用现有模型进行近似处理。经验证明，我们的近似策略取得了有竞争力的结果，并且包含存在量词变量的查询倾向于改善这些模型的整体性能，无论是对树状查询还是对我们的近似策略。

Oct, 2023

本研究提出 JTR，通过联合优化基于树的索引和查询编码，采用负采样和聚类优化策略来提高检索效率，提高神经检索系统在检索性能和系统效率之间的平衡。

Apr, 2023

本研究提出了一种基于模型、使用 UCT 搜索和更具鲁棒性的动作选择策略的强化学习算法 Dyna-T，在 Open AI 的三个测试环境中的初步测试表明 Dyna-T 优于最先进的 RL 代理。

Jan, 2022

本文探讨一种基于贝叶斯方法的层次聚类算法，它能够在每个结点上产生任意分支结构的玫瑰树，并通过一种计算有效的贪心凝聚算法来找到具有高边际似然值的玫瑰树，最终实验证明，玫瑰树是数据的较好模型。

Mar, 2012