本论文研究从数据中学习贝叶斯网络结构的问题，提出了一种算法用于发现最佳的贝叶斯网络结构，通过贝叶斯模型平均计算感兴趣的假设的后验概率，在多个数据集上展示本算法优于模型选择方法和最先进的 MCMC 方法。
Mar, 2012
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
本文介绍了一种基于贝叶斯模型选择方法的新算法，通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率，并使用马尔可夫蒙特卡罗方法，使得顺序空间更加平滑，对与其它方法进行了比较实验。
Jan, 2013
通过该论文，我们证明了学习最佳贝叶斯网络结构是具有可行性的，我们提出了一种比现有技术更简单和更高效的算法来对超过 30 个变量的网络进行学习，可以进行易于并行化且提供有效探测不同变量排序一致的最佳网络的可能性。
Jun, 2012
本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。
May, 2018
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。
Feb, 2013
本文介绍了一种名为 “BigBraveBN” 的高效算法，该算法利用了勇敢系数、互信息度量和最近邻方法，用于学习大型 Bayesian Networks 的结构，并在实验中证明了其效率。
Aug, 2022
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。
Mar, 2018
本文提出了一种利用高斯过程来建模网络节点并以期望改进作为收获函数的贝叶斯最优化方法，通过利用网络中的中间输出信息，实现了比标准方法更高的查询效率和渐进一致性，并在多个合成和实际问题中表现出优异性能。
Dec, 2021
本研究探讨了大数据环境下的贝叶斯网络结构学习问题，提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法，并在环境和流行病学数据以及公共数据集上验证了其准确性。
Apr, 2018