本文提出了一种新的基于贝叶斯近似推断的方法，用于学习高斯图模型的依赖结构，通过伪似然方法，无需引入有关可分解性的任何假设即可得到近似边缘似然值，结合简单的稀疏性先验和默认的参考prior，得到了一个快速适用于高维数据的评估函数，本方法与其他方法的比较表明其性能良好并且能够一致地估计图结构。

Feb, 2016

给出一种用于学习Markov随机场（MRF）或无向图模型的简单的、乘性权重更新算法——Sparsitron算法，特别适用于学习t阶MRFs结构，并具有近乎最优的样本复杂度和多项式的运行时间。同时，该算法还可以学习Ising模型上的参数，生成接近真实MRF的统计距离假设，并给出了学习稀疏广义线性模型（GLMs）的解决方案。

Jun, 2017

提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

Sep, 2018

提出了一种新的贝叶斯非参数方法，以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题，其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域，表明了其多功能性和有效性，与现有方法相比具有优势，尽管是相对简单的模型。

May, 2019

本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。

Feb, 2022

使用广义精度矩阵（GPM），在所有数据类型（即连续、离散和混合类型）中表征了条件独立结构，提出了一种Markov网络结构学习算法，在处理大型图形时使用正则化评分匹配框架来统一所有情况。

May, 2023

该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

Jun, 2023

通过基于高斯分布的傅里叶分析属性，我们提出了一个新的估计器，可从在网络上重复测量的高斯自由场图中估计加权网络的结构（等价地，其拉普拉斯矩阵），并展示了具体的恢复保证和所需样本复杂度的界限。

Aug, 2023

我们提出了一种在高斯因子图中进行学习的方法，将所有相关的量（输入、输出、参数、潜变量）都视为随机变量，并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明，这些问题可以通过信念传播（BP）进行高效求解，其更新在本质上是局部的，为分布式和异步训练提供了令人兴奋的机会。我们的方法可以扩展到深度网络，并提供了一种自然的方法进行连续学习：使用当前任务的BP估计参数边缘作为下一个任务的参数先验。在视频去噪任务中，我们展示了可学习参数相对于经典因子图方法的优势，并展示了深度因子图在MNIST连续图像分类上令人鼓舞的性能。

Nov, 2023

我们提出了一种新的算法，用于部分已知高斯图模型的支持估计，该算法结合了关于底层图的先验信息。 im简化后，我们通过伯努利分布生成图数据集，然后使用图神经网络有效地估计图先验的评分。数值实验证明了我们方法的优势。

Jan, 2024