从数据中学习动态贝叶斯网络: 基础，原理和数值比较
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
本文提出了一种从数据中学习贝叶斯网络的新方法——显式地表示和学习CPT中的局部结构，从而提高所学习到的网络的质量，增加了可能的模型空间，并能够诱导出更好地模拟数据中存在的相互作用复杂性的模型。
Feb, 2013
研究贝叶斯方法学习来自先前知识和统计数据的贝叶斯网络。通过使用Dirichlet和正态-威夏特分布的统计事实，结合贝叶斯评分度量，我们实现了对离散和高斯域的统一方法。
Feb, 2013
本文研究学习贝叶斯网结构的贝叶斯模型平均方法，提出了新算法，包括第一个能够根据精确结构后验有效采样有向无环图的算法。 DAG样本可以用来构造任何特征的后验估计器，在理论上证明了我们的估计器的良好性质，并在实证上表明估计器明显优于先前最先进方法的估计器。
Jan, 2015
神经网络在各个问题领域取得了显著的表现，但其普适性受到其内在限制的阻碍，如预测上的过度自信、解释能力的欠缺和对对抗攻击的易受攻击性等。为了解决这些挑战，贝叶斯神经网络（BNNs）已成为传统神经网络的引人注目的扩展，在预测能力中整合了不确定性估计。本文系统地介绍了神经网络和贝叶斯推理的基本概念，阐明了它们对BNNs的协同集成的发展。目标受众包括具有贝叶斯方法背景但缺乏深度学习专业知识的统计学家，以及具有有限贝叶斯统计知识但精通深度神经网络的机器学习专家。我们概述了常用的先验知识，分析了它们对模型行为和性能的影响。此外，我们还深入探讨了在BNN研究领域内的先进主题，承认了不断进行的辩论和争议。通过提供对前沿发展的深入洞察，本文不仅为研究人员和实践者提供了BNNs方面的坚实基础，还展示了该动态领域的潜在应用。作为宝贵的资源，它促进对BNNs及其前景的理解，推动知识和创新的进一步发展。
Sep, 2023
通过引入一种新颖的分而治之策略并将其应用于大规模动态贝叶斯网络结构学习，本论文在提高可伸缩性和准确性方面取得了重要突破，显著提升了计算效率和结构学习准确性。
Dec, 2023
基于多个经验初始化的 LLMs，并通过独立查询它们创建 BN 的结构，并通过多数投票获取最终结构的贝叶斯网络（BNs）结构获取方法在不同规模 BN 上与另一种替代方法进行比较，研究了两种方法在可广泛和不广泛知名的 BNs 上的可扩展性。
Jul, 2024
本研究解决了从连续观测数据中学习贝叶斯网络的问题，该数据根据线性高斯结构方程模型生成。我们提出了一种新的坐标下降算法，证明了该算法能够收敛到坐标最小值，并在样本量趋于无穷大时，目标值收敛于管理的最优目标值，首次在学习贝叶斯网络中提出了具有最优性和统计保证的坐标下降程序。
Aug, 2024