本文介绍了一个针对连续时间贝叶斯网络（CTBNs）的参数和结构学习方法，提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分，CTBNs 可以更好地适应不同变量演化的时间粒度，相较于动态贝叶斯网络有着很大的优势。

Oct, 2012

本文提出一种基于变分近似的实验设计新准则，用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数，通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担，并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。

May, 2021

本文介绍了一种基于 Markov 过程的 mean field variational approximation 方法，用于近似描述 Continuous-time Bayesian networks 中的概率分布，并提供了较好的推断和学习效果。

May, 2012

本文研究了基于连续时间贝叶斯网络（CTBNs）的参数学习和结构学习方法， 提出了一种基于相位分布的扩展方法，可以更好地逼近时长分布的实现， 经实验结果表明，该算法可以在部分观测数据中学习出合理的结构和参数，并在人们寿命的真实数据集上比 DBN 算法表现更好。

Jul, 2012

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

本文提出一种基于时钟机制的连续时间贝叶斯网络模型，实现了对指数存活时间约束的突破，从而改善了概率计算效率，并通过基因调节网络的数据集进行了实验验证。

Jul, 2020

本研究旨在利用模型不确定性作为 BNN 结构学习的框架，提出了可与模型空间约束结合的可扩展变分推理方法，试图在模型和参数的联合空间中进行推理，进而实现结构和参数不确定性的组合，并在基准数据集上进行了实验，表明使方法比普通 Bayesian neural networks 更加稀疏，但得到了与竞争模型相当的精度结果。

May, 2023

本文提出了一个描述连续时间的结构化随机过程的有限状态连续时间贝叶斯网络（CTBNs）的语言，将状态分解成一组本地变量，其行为由其在有向图中的父级的函数描述，模型以任何给定时间点确定本地变量更改其值和其取下一个值的分布，提供了一个概率语义和近似推断算法。

Dec, 2012

本文提出了变分贝叶斯 (Variational Bayes) 框架，通过解决概率图模型中潜在变量及其结构计算的问题，避免了因参数而导致过拟合和子最优泛化表现的通常方法，同时证明了该算法能成功应用于无监督聚类、盲源分离等模型。

Jan, 2013

本文介绍了一种基于随机变分推理 (Variational Inference) 的学习算法，可以为存在潜变量的、具有难以处理的后验分布的连续概率模型提供有效的推理和学习方法，特别是在大型数据集下具有较好的表现，且已经在实验上得到了验证。

Dec, 2013