使用最小描述长度 (MDL) 原则和贝叶斯网络学习算法的改进版本，我们探讨了对已存在的贝叶斯网络的结构进行精炼的问题，同时我们通过实验证据表明了我们的方法的有效性。
Feb, 2013
贝叶斯迁移学习方法在不同领域的先前知识引导新学习任务的最佳信息问题上具有广泛应用，并通过模拟研究展示了其与频率论竞争者相比的性能。
Dec, 2023
本文研究了工业机器学习中的深度神经网络在不断学习过程中优化性能的方法，使用贝叶斯方法更新后验概率，与传统方法相比实验表明可以取得更好的效果。
Feb, 2018
本文研究了动态推断问题下基于贝叶斯学习的最优推断规则，包括离线和在线学习，并讨论了其在机器学习中的应用。
Dec, 2022
本文提出了一种新的贝叶斯网络推断方法，主要基于偏微分，其中将贝叶斯网络编译成多变量多项式，然后计算关于每个变量的偏导数，从而可以在固定时间内回答一类概率查询，具有独特的综合性和计算复杂性。
Jan, 2013
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
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
使用贝叶斯网络的生成分类器扩展了 TAN 和其他类型的分类器，研究了它们与贝叶斯网络之间的关系，并通过数据驱动的学习方法提高了分类准确率。
May, 2024
文中探讨了贝叶斯统计学派的方法，阐述了先验分布在贝叶斯模型中的实际作用以及超验演绎法的重要性，发现最成功的贝叶斯统计学派形式并不支持归纳推理，从而认为贝叶斯统计学派比超验演绎法更加成熟和复杂。
Jun, 2010
应用算法镜头至贝叶斯认识论，探讨了信息约束、计算限制等条件下的信念形成的基本可能性与不可能性，并为进一步探索奠定了基础。
Mar, 2024