我们介绍了一种新的方法来学习结构属于树宽有限的贝叶斯网络 (Bayesian Network)。该方法的关键是局部应用基于 MaxSAT 的精确方法，以提高启发式计算 BN 的得分。我们的实验证明，我们的方法可以显著提高由最先进的启发式方法提供的 BN 的得分。

Jun, 2020

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

本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习，以提高效率和稳定性。同时，利用该框架，以及 4 个参考网络和 2 个现实中的数据集，演示了约束性算法的实现性能。

Jun, 2014

提出了一种新的结构学习算法 LEAST，通过优化一个连续的约束优化问题，并基于图的谱半径提出了新的可微的约束函数，该算法在精度、效率和可扩展性方面都具有很高的表现，比现有方法快 1 到 2 个数量级，并可扩展到具有数十万个变量的 BN，LEAST 已在阿里巴巴的 20 多个应用程序中得到具体应用，包括近实时的异常检测和根因错误分析系统、大规模基因表达数据分析和可解释的推荐系统等新领域。

Dec, 2020

Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识，实现了较大的结构准确性提升，并提供更有效地利用人类专业知识的方法，促进结构学习过程的透明度。

Oct, 2023

基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构，通过引入 d - 分离来推断更多的拓扑信息，优先级调整条件集，并且能够立即和高效地终止搜索，从而实现了高达 52%（FSBN）和 72%（SSBN）的计算成本降低，对于 200 个节点的网络 SSBN 表现出更高的效率，实验证明这两个算法在减少计算成本的同时能够保持与 PC 算法相同的归纳质量，适用于大数据分析的各种应用。

Oct, 2023

本文提出一种新的 k-MAX 算法用于学习具有有界三角形宽度的贝叶斯网络，改进了数据不完全的结构 EM 算法，进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度，并且具有线性最坏时间复杂度和易于并行化等优点。

Feb, 2018

本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

Jun, 2012

提出了一种新的概率图模型结构学习方法，通过在随机变量实例化级别上操作来学习，推广和解释在这些难以捉摸的领域中，从而解决机器学习方法在精度不尽如人意的情况下的问题，并且通过 Bayesian Knowledge Bases（BKBs）来利用 Information Thermodynamics 和 MDL 原理解决了结构化选择问题并提高了学习效果，最终运用在乳腺癌基因突变数据学习基因调节网络。

Mar, 2023

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