- 通过贝叶斯网络分析方法探索 1 型和 2 型糖尿病的生物标志物关系
通过应用贝叶斯网络结构学习分析上海 1 型和 2 型糖尿病数据集，揭示了与糖尿病相关的关键生物标志物之间的复杂关系。构建的贝叶斯网络在预测准确性方面表现出显著的效果，特别是对于 2 型糖尿病，其均方根误差为 18.23 毫克 / 分升，在单 - COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习
利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。
- 无干扰的身体虚弱监测：一种模拟方法
通过使用非侵入式摄像头传感器监控个体的坐姿和放松活动，本研究旨在检测衰弱迹象，并通过建立贝叶斯网络模型特征、活动和健康状况之间的关系，确定最适合观察变化的时间尺度。研究结果表明，在日常水平上区分模拟的衰弱的准确率为 0.97，而一些精细的行 - 贝叶斯网络中不确定参数的全局敏感性分析
传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。
- 通过机器人操作和物体测量数据库实现物体属性的交互学习
该研究提出了一种通过机器人操控和物体测量数据库自动提取物理物体属性（如材料组成、质量、体积和刚度）的框架。实验评估表明，与基线相比，该算法选择有效的探索动作，并在没有更多学习空间时正确终止实验。
- 基于贝叶斯网络和深度学习的癌症影像诊断改进：一种贝叶斯深度学习方法
利用人工智能和机器学习的理论和算法，本研究探讨深度学习和贝叶斯网络预测模型在癌症诊断中的应用，构建了一种结合两者优势并最小化弱点的贝叶斯深度学习模型，并分析了该方法在医疗领域图像分类中的应用和准确性。
- 关于具有潜在根变量的贝叶斯网络的注记
贝叶斯网络中的隐变量作为根节点计算的似然函数特征化，在剩余的显变量上的边缘分布也被命名为经验贝叶斯网络。通过显变量的观测数据集，我们可以量化经验贝叶斯网络的参数。我们证明，（i）从原始贝叶斯网络的这样一个数据集的似然性被经验贝叶斯网络的似然 - 贝叶斯网络开发中定性参数化的实践
Bayesian 网络结构开发的典型阶段包括目的和范围的确定、结构发展、参数化和验证。在结构发展阶段，通常关注定性问题，而在参数化阶段则关注定量问题。然而，在这两个阶段都会出现定性和定量问题。在初步开发了初始结构之后，通常会进行粗略的参数化 - 自我合理化模型分析的假设驱动框架
我们提出了一个基于假设的统计框架，使用贝叶斯网络将任务的内部状态与模板翻译成自然语言，然后将这些解释与 LLM 生成的自由文本解释进行比较，以判断 LLM 和贝叶斯网络的决策过程的相似性，结果显示贝叶斯网络模型与 GPT-3.5 并没有很强 - 通过状态增强与随机排列进行变分 DAG 估计
从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。
- 动量驱动的因果结构学习：在有向无环图的 Markov 等价类上采样分布
在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为 “因果 Zig-Zag 采样器”，该采样器针对一类观测等效（Markov 等价）DAG 的概率分布。这些类别以完成的部分有向无环图（CPDAG - 关于概率逻辑程序结构中隐藏的独立性
通过将概率逻辑程序结构抽象化为程序结构，并给出一个正确的元解释器来决定给定外部数据库的程序结构是否意味着某个特定的条件独立性陈述，本研究将 Pearl 和 Verma 的有向分离理论推广到非 ground 情况，进而从 d-separati - 建模深度贝叶斯图网络中的边特征
我们扩展了上下文图马尔可夫模型，采用深度且概率的机器学习模型来建模边特征的分布。我们在架构上进行了改进，将边特征映射成离散状态的贝叶斯网络，并用于原始模型。通过这样做，即使在没有边特征的情况下，我们也能构建更丰富的图表示，通过在标准图分类基 - 贝叶斯网络中稀疏假设的测试
本文介绍了一种用于判断线性贝叶斯网络最大入度是否大于 1 的假设检验方法，并提出了一种基于该方法的结构发现工作流程。通过对模拟数据和人体银屑病研究数据的实验验证，证明该方法的有效性和可行性。
- 面向上下文的贝叶斯网络演员 - 评论者方法用于协作多智体强化学习
本研究提出了一种基于贝叶斯网络的多代理协作强化学习算法，建立了协作性马尔可夫博弈中多代理行动选择的依赖关系并证明了其全局收敛性和优越性，通过可微的有向无环图，实现了动态学习具有背景感知能力的贝叶斯网络策略，并在多个 MARL 基准测试中获得 - 使用单一生成流网络进行图形结构与参数的联合贝叶斯推断
该研究论文提出了一种名为 JSP-GFN 的新方法，该方法使用一个生成流网络对贝叶斯网络结构和条件概率分布的参数进行共同后验分布近似，以适用于非线性模型，并在模拟和真实数据上进行验证。
- 不确定多变量系统的推断矩
该文章提出了使用推断矩的一种新范例分析不确定的多变量系统的行为。推断矩可以更好地描述分布对新信息的响应，同时可以应用于改进感知和决策。
- 带泪滴有向无环图
提出了一种混合整数规划的新方法，名为 DAGs with Tears，用于在工业过程中更实用和有用地学习结构，并演示了该方法的优越性。
- YODO 算法：Bayesian 网络中灵敏度分析的高效计算框架
提出了一种使用自动微分和精确推理相结合的算法，能够高效地计算灵敏度测量值，此方法已用于两个中等规模的贝叶斯网络，并实现了流行机器学习库 PyTorch。
- 学习贝叶斯网络的综合改进混合算法：多重复合记忆擦除
本文提出了一种新的混合算法 MCME，解决了基于约束的方法中 CI 测试的不准确性和基于得分的方法中搜索空间增加和学习效率低下的问题，并在方向判别阶段中的得分函数方面做出创新。大量实验证明 MCME 的性能优于或类似于一些现有算法。