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
本文提出一种从用户知识和统计数据中学习贝叶斯网络的算法，包括评分度量和搜索过程，并探索了度量的两个重要性质以及本领域相关算法的评估方法。
本文提出了一种基于概率框架和可分变贝叶斯推理的方法，将不确定性引入神经网络权重来处理由于目标域数据不可访问引起的域移位和不确定性挑战。实验结果表明，该方法在四个广泛使用的交叉域视觉识别基准测试中始终提供最先进的平均准确性。
May, 2021
通过变分推理，提出了一种将通用形式的领域知识（通过损失函数表示）整合到贝叶斯神经网络先验中的框架，使得后验推断和抽样具有高效性，以提升预测性能。
Feb, 2024
基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。
Nov, 2023
本文研究了贝叶斯网络概率分布的建模问题，比较了两种密度估计方法，结论表明核估计是学习贝叶斯模型的有用工具。
通过聚合不同训练领域上的后验，本研究提出了一个引理来隐式推断参数的不变后验分布，并使用 Posterior Generalization (PTG) 方法来估计不变参数分布，该方法基于变分推断近似参数分布，包括不变后验和训练领域的后验。研究结果表明，PTG 在 DomainBed 上的各种领域泛化基准测试上表现出竞争性能，且可与现有的领域泛化方法相结合以进一步提高性能。
Oct, 2023
本文简要介绍了学习动态贝叶斯网络（DBNs）的基本原理及其在变量分布、学习方法和优化方面的应用。
Jun, 2024
本文探讨了贝叶斯网络的构建方法，阐述了利用数据构建模型的统计方法，以及学习贝叶斯网络参数和结构的技术，最终通过一个实例来论证了贝叶斯网络在实际中的应用。
Feb, 2020
使用对比学习框架，提出一种适用于未标记数据的贝叶斯神经网络（BNNs）的先验分布，得到自监督学习的标签效率和贝叶斯方法的规范不确定性估计，最后证明了该方法在半监督学习和低预算主动学习问题中的数据效率优势。
Apr, 2023