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
本文研究学习贝叶斯网结构的贝叶斯模型平均方法，提出了新算法，包括第一个能够根据精确结构后验有效采样有向无环图的算法。 DAG 样本可以用来构造任何特征的后验估计器，在理论上证明了我们的估计器的良好性质，并在实证上表明估计器明显优于先前最先进方法的估计器。
Jan, 2015
基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的 MCMC 采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。
Jul, 2023
本文提出了一种基于有向无环图 (DAGs) 的新算法，用于采样结构概率图模型，该算法在保持无偏采样的同时比结构 MCMC 方法收敛更快，并可与边反转移动结合使用以进一步改进采样器
Apr, 2015
本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG 后验近似，并且相对于 MCMC 或变分推断等方法具有优势。
Feb, 2022
本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。
Sep, 2020
本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。
Mar, 2014
本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布，以在更短的时间内收敛于后验概率，从而实现更准确的结构学习和更高的测试数据预测似然。
Jun, 2012
本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。