带时钟的连续时间贝叶斯网络
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
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法，用于从不完整和嘈杂的时间序列数据中直接学习网络结构，并在可扩展性方面优于现有的方法。
Sep, 2018
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
本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。
Feb, 2012
该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法，用于在连续时间模型中获得精确的后验过程的样本，实现了贝叶斯参数估计，并估计了扩散协方差。
May, 2022
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