本文提出了可分解先验，一种针对树形信念网络的先验族。在完整观测数据下，可以通过贝叶斯学习来确定结构和参数，后验概率也是可分解的，并且可以在多项式时间内完全确定。
Jan, 2013
本文考虑从数据中学习最大似然多叉树的任务，首先证明了最优分支（或Chow-Liu树）是最佳多叉树的很好近似，随后证明了该学习问题是NP难的，甚至在某些恒定因子的近似解中也无法很好地解决。
介绍了优化机器学习问题的几种新方法，包括针对有限和图结构目标的优化方法，其中包括针对固定结构的参数学习、结构学习和同时学习等方法。
Oct, 2015
该论文提出了一种算法，用于在连续和非高斯概率分布中识别稀疏的依赖结构，并利用依赖结构来进行更准确的分布估计和推理。
Nov, 2017
本文提出一种新的k-MAX算法用于学习具有有界三角形宽度的贝叶斯网络，改进了数据不完全的结构EM算法，进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度，并且具有线性最坏时间复杂度和易于并行化等优点。
Feb, 2018
有限样本保证+边界度多树+高效算法+政权时间和样本复杂度+信息理论样本复杂度下界
Oct, 2023
本研究介绍了一种基于干预实验数据的一致且可扩展的本地方法，用于学习线性高斯多叉树的因果结构。该方法首先学习多叉树的骨架，然后定向其边缘，输出为代表真实潜在分布的多叉树的干预等价类的CPDAG。我们使用二阶统计和低维边缘分布来实现骨架和定向恢复过程。通过对合成数据集的不同情景进行性能评估，并将算法应用于基因表达干预数据集，我们的模拟研究表明我们的方法快速且准确度高，能处理包含数千个节点的问题。
Nov, 2023
该研究建立了PAC学习高维图模型与图结构计数和采样的新联系，使用在线学习框架，给出了新的样本复杂度界限以及面向树形和给定和弦骨架的贝叶斯网络的多项式样本和时间算法。
May, 2024
该研究介绍了处理缺失数据的阶梯树学习算法，通过模型的全似然性能直接估计模型，证明了在学习阶梯树时考虑不同的缺失模式是可行的。
本研究解决了树结构概率电路与有向无环图（DAG）概率电路之间的表达能力差距问题。我们提出了一种新的方法，证明对于$n$个变量，存在一个次指数上限的树可以计算相同的概率分布，同时证明在树的深度限制下，树与DAG结构之间有超多项式的差异。此研究对理解树结构概率电路的表达能力具有重要意义，并且我们的技术可能对概率电路的结构学习算法研究具有独立的价值。
Oct, 2024