本文介绍 Quantified Boolean Bayesian Network (QBBN)，提供了逻辑和概率推理的统一视角，通过创建具有逻辑推理基础的无界布尔变量的贝叶斯网络，以解决信息检索中大型语言模型（LLM）产生幻觉的问题，并且研究了推断方法中的 LBP 的使用和收敛性。

Feb, 2024

使用贝叶斯网络代替以前用于表示多个随机事件概率关系的知识库，它使用一种强大的方式来指定条件概率分布，提供等事件约束和复杂嵌套组合函数。

Feb, 2013

提出了一种新颖且轻量化的神经网络模型 —— 自然参数网络 (NPN)，它允许使用任意指数族分布来建模神经元和权重，并且通过层之间的变换来生成与目标输出分布匹配的后验分布，实验结果表明，NPN 可以在现实世界的数据集上实现最先进的性能。

Nov, 2016

本文探讨了 Shannon 信息在经典概率分布中衡量不确定性的特点，请出了三方信息的 Bayesian 网络表示和量子实现，并展示了非 Shannon 信息不等式方面的新洞见。

Jun, 2022

本文提出了一种将 Belief Propagation 算法扩展到量子网络的方法，并研究了量子 Markov Networks 的结构，探讨了使用量子 Belief Propagation 作为一种启发式算法的可能性。最后，描述了该方法在量子纠错编码和模拟多体量子系统中的应用。

Aug, 2007

介绍了一种形式逻辑语言，叫做条件概率逻辑（CPL），用于扩展一阶逻辑，表示概率、条件概率并进行条件概率比较。结合机器学习，数据挖掘和人工智能等领域，考虑了一种精确表述提升贝叶斯网络定义的方法，并证明一个非关键条件 CPL 公式存在一个几乎等价的非量化公式。该结果对于对于大学域上的概率推理问题，具有重要意义。

Apr, 2020

本文研究高斯过程网络 (GPNs) 的贝叶斯结构学习问题，提出基于蒙特卡罗和马尔可夫链蒙特卡罗方法的网络结构后验分布抽样算法，并在模拟实验中证明该方法在恢复网络图形结构和提供准确后验分布方面优于现有算法。

Jun, 2023

本文章提出了一个适用于贝叶斯推断的图形框架，能够容纳标准情况以及最近有关量子贝叶斯推断理论的提议，其中考虑密度算符而非概率分布作为信念度量的代表。该文对对称单调范畴的图形语言，紧凑结构和其中的 Frobenius 结构进行了说明，其中贝叶斯反演简化为相对于适当紧凑结构的转置。同时，我们还介绍了一种类量子的微积分，其中 Frobenius 结构是非交换的，并且可以容纳 Leifer 的 “条件密度算符” 微积分。本文还将条件独立性的概念推广到图形设置，并与贝叶斯网络理论进行了初步联系。最后，我们演示了如何在任何陪距紧凑范畴内构建图形贝叶斯微积分。

Feb, 2011

本文研究定性数量规划问题，提出了两种多项式时间降阶方法，将问题转化为非确定性计划问题和反之，从而解决解决方案不完整问题和复杂度问题。

Dec, 2019

本研究探讨了图中非独立节点预测的不确定性量化方法，并提出了一种名为图后验网络（GPN）的新模型，该模型采用贝叶斯后验更新技术并在节点分类中表现出优越性能。

Oct, 2021