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

本文介绍了两种最受欢迎的图模型：贝叶斯网络和马尔科夫随机场，并提出了一种新的图模型——因子图。因子图可以将贝叶斯网络和马尔科夫随机场的优点结合起来，并采用单一的消息传递算法进行概率推断。另外，因子图是贝叶斯网络和马尔科夫随机场的严格超集。

Oct, 2012

该研究讨论了在有向无环图中查找最小分隔集的组合问题和其扩展，提出了一种基于两步过程的算法来解决该问题。

Feb, 2013

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

本研究研究了有向无环图在表示条件独立关系方面的作用，提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外，研究还表明 DAG 所显示的依赖关系是相一致的。

Mar, 2013

该论文提出了一种名为‘关系性因果发现(RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

Sep, 2013

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

本文研究了如何在关系系统中估计数据之间的独立性，提出了一种基于核均值嵌入的方法，用于定义条件和边缘独立性测试，并在结构假设下实现了可伸缩的核测试方法。实证研究表明，该方法在合成网络和半合成网络等数据集上比基于核的独立性测试的现有方法更为有效。

Jun, 2022

通过将概率逻辑程序结构抽象化为程序结构，并给出一个正确的元解释器来决定给定外部数据库的程序结构是否意味着某个特定的条件独立性陈述，本研究将Pearl和Verma的有向分离理论推广到非ground情况，进而从d-separation中计算条件独立性，实验评估结果显示，比起在ProbLog 2中使用精确推理来检查独立性定义，我们的元解释器的性能明显更快。

Aug, 2023

本文研究了概率图模型中近似条件独立性的推断和验证问题，发现无向概率图并不能提供准确的条件独立性推断保证，而有向概率图可以通过$d$-separation算法准确推断近似条件独立性。此外，还提出了改进的近似保证方法和独立关系推断算法。

Oct, 2023