- MMSafeRNet: 互联网车联网和移动群智感知时代的安全交通路由
本研究提出了一个名为 SafeRNet 的安全道路计算框架，利用广泛的交通数据和先进的技术，包括物联网和云计算。SafeRNet 收集历史数据和流媒体交通数据，并使用贝叶斯网络模型形成安全路线模型，以改善现代技术辅助下的交通系统中的驾驶员安 - 城市环境中基于交互感知的行为概率预测
本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。
- 因果 DAG 模型中基于最小 I-MAP 的可扩展结构发现 MCMC 算法
本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。
- 因果和非因果特征选择的统一视角
本文通过贝叶斯网络框架和信息理论，统一了因果和非因果特征选择方法的假设，研究了它们在搜索最优特征集时的不同级别的逼近所产生的近似误差，并在理论和实际实验中验证了它们之间的关系。
- 通过拓扑排序进行贝叶斯网络学习
本文提出了一种基于拓扑序的混合整数规划模型与迭代算法，来解决带有有向图中非循环约束的优化问题。模型具有较少的约束条件且使用了梯度下降和迭代重新排序等方法。该方法在高斯贝叶斯网络学习问题中进行了计算实验，用于在生物信息学中推断基因网络
- KDD基于贝叶斯网络的有趣项集模型
通过 Bayesian 网络的生成模型和新颖的趣味度量，我们的方法能够从交易数据库中直接高效地推断出最有趣的项目集，并且在多个真实世界的数据集上取得与现有先进算法相当甚至更好的效果。
- 通道和贝叶斯网络的强数据处理不等式
本文研究了数据处理不等式及其在信息论等领域中的应用，提出了一种针对贝叶斯网络的端到端强数据处理不等式构造方法，并探讨了基于线性强数据处理不等式而非耗散不等式的信息扩散方式。
- 使用范围相机的概率物体跟踪
本文提出了一种利用动态贝叶斯网络进行物体 6 自由度姿态追踪的方法，在观测时考虑了物体本身和周围环境对物体的遮挡，并使用 Rao-Blackwellised 粒子滤波器实现实时姿态估计。
- 一种贝叶斯模型用于识别手写数学表达式
该研究提出了一种基于贝叶斯网络的符号识别方法，将识别结果组织成一个解析森林，通过提取概率最高的解析树，实现对手写数学公式的准确识别。两次评估结果表明，该方法比以前的版本和其他学术中使用的数学公式识别器更加准确。
- 利用加权模型计数中的结构进行概率推断
本文提出了使用两种 SAT 编码的噪声 OR 和两种编码的噪声 MAX 的技术，以提高 Bayesian 网络的精确推理。经过实验评估，我们的技术在具有噪声 OR/MAX 关系的网络中获得了最佳效果。
- 基于最稀疏排列的有向无环图学习
该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。
- d - 分离：从定理到算法
本文提出了一种高效算法，能够根据贝叶斯网络的拓扑结构确定所有的相关性，算法的正确性和最大性源于基于概率理论的 d - 分离的完备性和正确性。该算法的时间复杂度为 O (lE l)，E 为网络中边的数量。
- 使用新数据来优化贝叶斯网络
使用最小描述长度 (MDL) 原则和贝叶斯网络学习算法的改进版本，我们探讨了对已存在的贝叶斯网络的结构进行精炼的问题，同时我们通过实验证据表明了我们的方法的有效性。
- 贝叶斯分类器中连续分布的估计
本文研究了贝叶斯网络概率分布的建模问题，比较了两种密度估计方法，结论表明核估计是学习贝叶斯模型的有用工具。
- 等价贝叶斯网络结构的变换特征
本文基于局部转换提出一种等价贝叶斯网络结构的简单特征描述，进一步证明了一些等价结构的理论性质并使用该描述推导出一种高效的算法，该算法能够识别贝叶斯网络结构中的所有强制边，强制边指示了在特定假设下的因果关系，对从数据中学习贝叶斯网络结构尤为重 - 关系贝叶斯网络
使用贝叶斯网络代替以前用于表示多个随机事件概率关系的知识库，它使用一种强大的方式来指定条件概率分布，提供等事件约束和复杂嵌套组合函数。
- 循环置信传播用于近似推理：实证研究
探讨了关于循环置信传播算法在贝叶斯网络中进行近似推断的适用性问题，并在若干网络结构中得出了相对正确的边际概率分布近似解。但是，在某些特定情况下，循环置信传播算法会出现振荡现象，但是解决振荡问题的方法得出的结果是错误的。
- 高斯混合模型的两轮变种 EM 算法
本文探讨了 Bayesian 网络中无监督与有监督模型选择领域的差异，观察到标准边际似然得分标准并不能很好地适用于有监督模型选择，对比实证分析发现 Dawid 的预测序列原则的方法可以在该领域中获得最佳结果。
- MAP 复杂性结果和近似方法
本文研究了贝叶斯网络中最可信赖实例化的计算问题，证明在多种情形下该问题为 NP 完全问题，在多叉树限制下也难以有效近似，采用置信传播的局部搜索方法可提供较准确的估计。
- 使用系统搜索精确解决 MAP 问题
该论文介绍了一种新的、简单的 MAP 解的概率上限，并使用该上限提出了一种分支定界搜索算法，能够准确高效地解决一些网络的 MAP 问题，这些网络的约束树宽度超过了 40。