因果贝叶斯网络中的干预和调节
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合，该文提出了概率树作为可能的解决方案。研究发现，单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法，即选择预期增益最高的干预方式，并通过几个例子予以说明；同时，该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。
May, 2022
本文提出了模型的鲁棒性来应对数据偏移，给出了用贝叶斯网络建模，确定参数和因果影响的干预下的最坏情况下性能的算法。实验结果表明该方法在实践网络中得出有用且可解释的范围性结论，从而可以构建出可证明因果性的鲁棒决策制定系统。
May, 2021
本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设，通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。
Feb, 2013
本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下，我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件，可用于唯一计算出这些分布的情况，同时还提供了一种算法。此外，我们使用我们的结果证明了对于相同的识别问题，do-calculus [Pearl, 1995] 是完备的。
Jun, 2012
通过干预模拟程序的概念分析条件推理，我们将其扩展到概率仿真模型的情况，定义了条件语言中的概率并证明了其基本结果。同时，我们在该设置中发现了关于概率的线性不等式推理的公理化方法。我们证明了该逻辑的可满足性问题的正确性、完备性和 NP - 完全性。
Jul, 2018
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