本文研究了基于 BDD 的 bucket elimination 方法，证明该方法能高效地解决常见数学原理公式，但其时间复杂度对于该公式的某种变种（即通过限制一些变量得到的公式）是指数级的。同时，我们还发现通常版本的 bucket elimination 对于 pigeonhole 原理具有指数级运行时间，而不同顺序的变量消元和 BDD-representations 的组合是提高效率的关键。

Jun, 2023

通过 Solomonoff 的模型来解决贝叶斯框架的一些问题，该模型拥有众多优势，包括强的总体和弱瞬时界限，可证明它是不可知、再参数化和重新组合不变的。

Sep, 2007

该论文提出了一种将概率论和第一阶逻辑相结合的方法，在有限域内具有 Herbrand 解释的情况下，定义了概率证明定理及其推广问题，然后提出了能够同时拥有图模型推理和一阶定理证明的完整能力的方法，并开发了一种高效算法。实验表明，当逻辑结构存在时，该算法远优于目前已有的方法。

Feb, 2012

从基于选择的反馈中最佳项目的识别问题出发，我们提出了一种名为 Nested Elimination（NE）的消除算法，它受到信息论下界所隐含的嵌套结构的启发。NE 在结构上简单且易于实现，并且在样本复杂性方面具有强大的理论保证。特别是，NE 利用了一种创新的消除准则，避免了解决任何复杂的组合优化问题。我们提供了关于 NE 预期样本复杂性的具体实例特定的非渐近界限，并且还显示 NE 实现了高阶最坏情况渐近最优性。最后，来自合成和真实数据的数值实验支持了我们的理论发现。

Jul, 2023

本研究通过 Tarski 算法解决量词消除的问题，结合模型检验来寻找模型的相等性、包容性和重叠度等性质，并回答模型识别和独立性问题。

Jan, 2013

本文提出了利用 minibucket elimination 和 message-passing updates 两种方法来划定图形模型中 MPE 查询边界的多种算法，采用混合式方法平衡两者优势，实验证明其在 PASCAL2 推理挑战中取得第一名。

Oct, 2012

本文介绍了一种名为 Neural Choice by Elimination 的新框架，将深度神经网络集成到概率顺序选择模型中，用于学习排名。该框架集成了最近引入的 Neural Highway Networks 以近似任意复杂的排名函数，证明了本方法在大规模公共数据集上具有与最先进的学习排序方法相竞争的性能。

Feb, 2016

本文介绍了一种新的表达条件概率的方式，利用了父亲背景的上下文无关性，提出了一种基于内部表现的算法。该算法可以更高效地利用在结构化信任网络中。

Jun, 2011

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。

Mar, 2013

本文提出了一种基于乘数 bootstrap 的非参数和数据相关的 UCB 算法，并进一步将二阶校正融入该算法，在理论上，我们推导出了在比标准次高斯性更弱的尾部假设下的多臂老虎机的问题相关和问题无关的后悔边界，数值结果表明 UCB 算法相比其他基线在一系列多臂和线性老虎机问题中都有显著的降低后悔

Jun, 2019