本文研究使用离散的观察变量和不对潜在变量的状态空间作任何假设的情况下，贝叶斯网络模型中的潜在变量的完整代数特征，并证明它与所谓的嵌套马尔可夫模型代数上等价。因此，这种嵌套马尔可夫模型是避免考虑不等式的潜在变量模型的最佳描述，并且能够轻松使用显式参数化拟合。

Jan, 2015

本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。

Jun, 2012

本文介绍了一种基于贝叶斯模型选择方法的新算法，通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率，并使用马尔可夫蒙特卡罗方法，使得顺序空间更加平滑，对与其它方法进行了比较实验。

Jan, 2013

本文介绍了一种基于贝叶斯方法的神经网络先验分布，该分布使用潜在变量来表示网络中的单元，并以这些变量的值为条件抽取单元之间的权重。这种先验分布具有强大的相关性，可以作为一个基于函数的先验分布，有助于实现 Bayesian 正则化以实现简单结构的网络模型。

Oct, 2018

本文提出了一种基于经验贝叶斯原则的记录链接方法，该方法使用数据的经验分布函数作为潜在实体的先验，同时允许分类和字符串值变量，包括一种新的概率机制，可以使观察记录值与其关联的潜在实体的值偏离。作者将该方法应用于一个德国名字的模拟数据集和一个意大利家庭调查，并表明该方法执行良好。

Sep, 2014

本研究提出了一种新的方法，用于利用精确贝叶斯网络推断中的因果独立性，并且通过算法 VE 对给定证据和查询变量进行因果独立推理，结果表明此方法更加高效，并且允许前人算法不能接受的更大网络的推理。

Dec, 1996

本文旨在提出解决复杂数据分析问题中的信心度测量的方法，包括判断两个节点之间的边缘是否成立、一个给定节点的马尔可夫毯子是否鲁棒以及变量排序等方面，并通过 Efron 的 Bootstrap 方法来实现对这些问题的计算高效求解。此外，作者提出使用这些信心度测量来从数据中产生更好的结构，以及检测潜在变量的存在。

Jan, 2013

本文旨在改进处理不确定贝叶斯网络的现有方法，通过使该方法能够学习其参数的分布，即条件概率，并基于各种查询的强度和经验确定置信度限制，从而在不完整的数据情况下学习参数的后验分布。

Aug, 2022

本文提出了一种全贝叶斯潜在变量模型，利用条件非线性独立结构学习高效的潜在表示；该模型能够捕捉极高维空间下的结构，可用于建模大规模未加工的图像，并通过从训练模型中的潜在空间中采样直接生成新图像；同时也演示了该模型在人体姿势预测中的应用，贝叶斯框架能够以一种合理的方式进行消岐，以包含数据动态特性的潜在空间先验。

Jun, 2012

本文基于生成模型的思想，采用 Bayesian learning 方法，探究形式逻辑及其数理统计特性，构建了一个统一的形式逻辑和统计推理理论。

Feb, 2022