本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

本研究提出了一种新的双层算法，用于优化具有非凸性约束的有向无环图，并解决了此类问题的优化挑战，具有更弱的条件保证和更低的得分，并且在实验中表现优于现有方法。

May, 2023

提出了一种混合整数规划的新方法，名为 DAGs with Tears，用于在工业过程中更实用和有用地学习结构，并演示了该方法的优越性。

Feb, 2023

利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。

Feb, 2020

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

该研究提出并评估了一种从完整数据学习贝叶斯网络的 k 贪婪等价搜索算法（KES），其主要特点在于允许贪婪性和随机性之间的权衡，从而探索不同的好的局部最优解。实验结果表明，KES 经常比贪婪等价搜索算法（GES）找到更好的局部最优解。

Oct, 2012

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

提出了一种新的有向无环图结构学习算法，通过在等价图势函数梯度集合中搜索来解决优化问题，并使用 Hodge 分解从一个初始环图中学习无环图，该方法在基准数据集上具有与基线算法相当的准确性和更高的效率。

Jun, 2021

本文通过对贪心贝叶斯网络搜索算法的优化结果派生，研究了单边缘修改和渐近一致性评分标准。我们放宽了 Meek（1997）和 Chickering（2002）的生成分布假设，并仅假定这个分布在可观测变量上满足组合性质，从而保证了搜索算法可以识别一个包含生成分布的一流模型。

Dec, 2012

本文研究在给定的约束条件下，学习最优贝叶斯网络的结构，其中最大程度为 1 的边界至少有距离 k，最大程度为 2 的边界以及具有大小至多为 c（c≥3）的连通分量的网络或其模糊化图的学习被证明是 NP 困难的，而在模糊化图中最多具有 k 个弧可以在两个范围内得到解决：O (k)*|I | 或 2^O (k)*|I|。

Apr, 2020