可处理的结构学习不确定性
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
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
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
本文提出了一种从数据中学习贝叶斯网络的新方法 —— 显式地表示和学习 CPT 中的局部结构，从而提高所学习到的网络的质量，增加了可能的模型空间，并能够诱导出更好地模拟数据中存在的相互作用复杂性的模型。
Feb, 2013
本篇论文首次提出了一种网络模型，其可预测合成图像的结构化不确定性分布。模型可学习预测每个重构的完整高斯协方差矩阵，从而实现有效的采样和似然评估，通过该方法，能够准确地重构合成数据集的地面真实相关残差分布，并为真实面部图像生成可信度高的概率密度函数分布。同时，展示了合成图像的结构保留降噪方法。
Feb, 2018
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
May, 2022