本文提出了一个描述连续时间的结构化随机过程的有限状态连续时间贝叶斯网络（CTBNs）的语言，将状态分解成一组本地变量，其行为由其在有向图中的父级的函数描述，模型以任何给定时间点确定本地变量更改其值和其取下一个值的分布，提供了一个概率语义和近似推断算法。

Dec, 2012

本文介绍了一个针对连续时间贝叶斯网络（CTBNs）的参数和结构学习方法，提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分，CTBNs 可以更好地适应不同变量演化的时间粒度，相较于动态贝叶斯网络有着很大的优势。

Oct, 2012

本文提出一种基于时钟机制的连续时间贝叶斯网络模型，实现了对指数存活时间约束的突破，从而改善了概率计算效率，并通过基因调节网络的数据集进行了实验验证。

Jul, 2020

本文提出了一种使用连续时间贝叶斯网络来检测入侵的通用技术 - 异常检测，并使用根据历史数据生成的生成式模型来标记异常行为。该方法在网络入侵检测系统和主机入侵检测系统中都有应用，并在多个实验数据集上进行了验证。

Jan, 2014

本文研究了基于连续时间贝叶斯网络（CTBNs）的参数学习和结构学习方法， 提出了一种基于相位分布的扩展方法，可以更好地逼近时长分布的实现， 经实验结果表明，该算法可以在部分观测数据中学习出合理的结构和参数，并在人们寿命的真实数据集上比 DBN 算法表现更好。

Jul, 2012

本研究提出了一个能够表达和推理连续时间事件关系的生成模型，并将其应用于网络和分布式计算环境的领域，在从时间戳观察中拟合模型参数后，使用假设检验来发现事件之间的依赖性和行为变化，进而进行监测和诊断。该方法在微软研究剑桥的网络事件跟踪实验中使用实际数据进行了验证。最后，本文还对时间离散化后所提出模型与 Noisy-OR 门的关系进行了形式化描述。

Jun, 2012

本文提出了一种基于贝叶斯网络的可解释框架，用于交通事故预测，从而解决了现有的基于机器学习的交通事故分析方法缺乏可解释性的问题。通过构建数据集的流程，将交通数据导入该框架，同时保留了关键的交通数据信息。通过一个具体的案例研究，我们的框架可以从数据集中导出一个贝叶斯网络，基于天气和交通事件之间的因果关系，同时预测交通事故并在不同条件下改变这些事件的概率，从而展示交通和天气事件之间的透明关系。此外，网络的可视化简化了不同变量之间关系的分析，揭示了交通事故的主要原因，最终为减少交通事故提供了有价值的参考。

Oct, 2023

本文提出一种基于变分近似的实验设计新准则，用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数，通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担，并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。

May, 2021

本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法，用于从不完整和嘈杂的时间序列数据中直接学习网络结构，并在可扩展性方面优于现有的方法。

Sep, 2018

本文提出基于约束和限制两种语义的循环贝叶斯网络的研究，并证明这两种语义可以通过马尔可夫链构造来计算。

Jan, 2023