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
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。
该论文提出了一种利用连续优化框架从观测数据中发现潜在的有向无环图(DAG)的方法，通过多面体的排列向量优化来学习一个拓扑排序，并可通过非可微子程序的学习和条件排序来优化边缘，实验结果表明了该方法在节点边缘联合优化方面具有优势。
Jan, 2023
本研究探讨了连续优化在有向无环图结构学习中表现良好和表现不佳的情况及原因，并提供了可能的改进方向。研究发现，非等噪声方差情况下存在非凸性问题，而连续结构学习的最新进展未能在此情况下实现改进。因此，未来研究应考虑非等噪声方差以处理更广泛的设置并进行更全面的实证评估。
Apr, 2023
通过引入有限时间序列数据和条件独立性检验，我们提出了一种层次拓扑排序算法（HT-CIT），以更高效地学习稀疏的有向无环图，从而比其他流行方法具有更小的搜索空间，并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的HT-CIT算法的优越性。
Aug, 2023
COSMO是一种无约束的连续优化方案，用于无环结构学习，通过参数化的优先级向量定义可微分的方向矩阵的近似，能够以渐近更快的速度收敛到无环解，且在图结构重建方面相比其他方法表现优异。
Sep, 2023
通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。
Mar, 2024
本文解决了从节点观测中学习有向无环图（DAG）拓扑结构的问题，现有方法在非凸优化中面临挑战。我们提出了一种基于对数行列式的凸无环性函数的新方法，能够有效地规范边权为非负，从而保证全局最优解，并在无穷样本条件下恢复真实DAG结构。实验结果显示该算法在多个合成数据测试中性能优于现有最先进的方法。
Sep, 2024
本研究解决了有向无环图（DAG）结构学习中的优化难题，尤其是由于DAG约束的非凸性和高计算复杂度带来的挑战。通过引入一种新的随机逼近框架，该方法结合了随机梯度下降（SGD）优化技巧，并设计了高效的投影方法以确保算法能收敛到可行的局部最优解。实验结果表明，该方法在大规模问题上具有显著的计算效率和优越的表现。
Oct, 2024