本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向-后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。
Jun, 2012
本文基于局部转换提出一种等价贝叶斯网络结构的简单特征描述，进一步证明了一些等价结构的理论性质并使用该描述推导出一种高效的算法，该算法能够识别贝叶斯网络结构中的所有强制边，强制边指示了在特定假设下的因果关系，对从数据中学习贝叶斯网络结构尤为重要。
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。
本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的Bayesian网络结构学习，以提高效率和稳定性。同时，利用该框架，以及4个参考网络和2个现实中的数据集，演示了约束性算法的实现性能。
Jun, 2014
本文提出一种新的k-MAX算法用于学习具有有界三角形宽度的贝叶斯网络，改进了数据不完全的结构EM算法，进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度，并且具有线性最坏时间复杂度和易于并行化等优点。
Feb, 2018
本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。
Mar, 2018
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。
本研究开发了一种递归约束算法，能够高效地将结构性边缘信息引入学习贝叶斯网络(BN)的过程，并提供了该算法的理论保证，进一步表明有界树宽BN可以在不增加复杂度的情况下学习。
Dec, 2021
使用广义精度矩阵（GPM），在所有数据类型（即连续、离散和混合类型）中表征了条件独立结构，提出了一种Markov网络结构学习算法，在处理大型图形时使用正则化评分匹配框架来统一所有情况。
May, 2023
用约束条件的结构学习方法学习马尔可夫网络的理论限制与性能逐渐变好，并且对条件独立性测试的集合大小和测试数量进行了研究。
Mar, 2024