本文提出了一种高效算法，能够根据贝叶斯网络的拓扑结构确定所有的相关性，算法的正确性和最大性源于基于概率理论的 d - 分离的完备性和正确性。该算法的时间复杂度为 O (lE l)，E 为网络中边的数量。

Mar, 2013

本文研究了 Bayesian 网络的身份测试和相似性测试的性质，提出了第一个非平凡的高效测试算法，并给出了相应的信息理论下界，其测试样本复杂度在维度上是亚线性的，适用于各种参数设置，是样本的最优解，直到常数因子。

Dec, 2016

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

该论文研究了因果推断中的忠诚度假设及其限制，探究了在不同有向无环图的情况下强忠诚度分布的上下界，并证明了忠诚度假设对于 PC 算法以及高斯偏相关测试等算法具有基本的限制。

Jul, 2012

本文通过对贪心贝叶斯网络搜索算法的优化结果派生，研究了单边缘修改和渐近一致性评分标准。我们放宽了 Meek（1997）和 Chickering（2002）的生成分布假设，并仅假定这个分布在可观测变量上满足组合性质，从而保证了搜索算法可以识别一个包含生成分布的一流模型。

Dec, 2012

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

研究了在部分样本被恶意破坏的情况下学习贝叶斯网络的问题，在这种情况下，提出了第一个计算有效、维度无关的鲁棒性学习算法，样本复杂度接近最优，能够实现线性比例的错误率，该算法在合成和半合成数据上表现良好。

Jun, 2016

本研究提供了针对贝叶斯网络的计算机算法，通过利用网络的图形结构，将 Shannon 熵和 Kullback-Leibler 散度的计算复杂度从三次降低到二次，并提供了完整的数值示例。

Nov, 2023

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