本文介绍了一种基于 Ordered Decision Diagrams（ODDs）的贝叶斯网络分类器的推理方法，包括将任何朴素贝叶斯分类器转换成 ODDs 的算法，以及使用 ODDs 进行等价性测试和 CPT 更改范围的特性分析。
Oct, 2012
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
本文提供基于因果关系树的贝叶斯网络解释方法，并结合现有方法讨论了解释所需的必要条件，比较了方法在已知网络上的效果。
Jun, 2012
本文提出一种基于一组假设的程序，能够解释任何分类方法所做出的决策。
Dec, 2009
使用知识图谱作为机器学习分类器解释操作的术语，并提出一种提取和表示黑匣子解释的新方法。
Feb, 2022
本文提出了一种基于符号化方法的反事实解释方法，该方法可以根据分类器预测中的哪些特征需要改变来为模型提供反事实解释。该方法利用已有的知识库修复解决方案生成最小纠正子集（MCS），并且在贝叶斯分类器上的初步实验研究显示了其巨大潜力。
Jun, 2022
本研究提出了一种基于因果关系概念的分类器结果解释定义，并与以前提出的解释概念进行了比较和研究，同时在金融领域使用两个真实数据集进行了实验评估。
Mar, 2020
本文提出一种面向对象的贝叶斯网络（OOBN）语言，旨在解决在面临大型复杂的领域时，使用贝叶斯网络进行建模的困难，并描述了建立复杂领域的过程中所采用的用于描述对象间关联的碎片化贝叶斯网，并提供了 OOBN 的推理算法以及在推理过程中利用模型碎片化和变量封装来加快速度和提高效率的应用。
Feb, 2013
文章提出一种基于模型不可知和 SAT 的方法生成符号解释，实验结果表明该方法可以提供充分原因和反事实解释。
本研究提出了概率充分解释的理念，即通过 “足够简单” 的特征子集来 “足以” 解释分类行为，并结合可扩展的概率推理算法设计出可行的实现方案。实验证明，本算法找到的充分解释更有效，且优于基准模型 Anchors 和逻辑解释。
May, 2021