- M-HOF-Opt: 多目标分层输出反馈优化通过乘数引起的损失地貌调度
通过引入基于概率图模型的联合模型参数和乘子进化过程，以及基于超体积的似然度量，该研究提出了一种多目标层次输出反馈训练方案，用于处理神经网络参数化损失函数中的多项难题，并且还包含了对控制器参数进行序贯决策的最优控制问题，以及通过每个损失项的输 - MIM-Reasoner：多重网络影响最大化的具有理论保证的学习
多重影响最大化研究中，引入了 MIM-Reasoner，将强化学习与概率图模型相结合，有效捕捉给定多重网络中层内部和层之间的复杂传播过程，从而解决了 MIM 中最具挑战性的问题。通过在合成和真实世界数据集上的广泛分析，验证了 MIM-Rea - AAAI多次就诊健康状态推测下的患者记录协作综合
基于真实病历数据的模拟电子健康记录（EHRs）合成方法是受限于医疗常识和控制事件组合的不足，为了解决这些问题，本研究提出了一种多访问健康状态推理模型（MSIC）用于协同 EHR 合成，该模型以概率图模型为基础，紧密连接不同类型的事件并建模潜 - 使用 PGM 来对抗图神经网络中的标签噪声
本文提出了一种基于概率图模型的框架 LNP，用于处理标签噪音问题，并在不同噪音类型和比例以及异质图形上展现了其鲁棒性能。
- 洗牌回归的相变现象
研究脉冲信号传导、高斯近似方法在解决相位转变问题中的应用。
- 循环有向概率图模型：基于结构化结果的提案
建立概率图模型从观测数据中学习结构时，会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络，它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想，即观测数据的每个样本都可以通过 - AAAI推断人类团队的错误信念的概率建模
通过在 Minecraft 环境中模拟一个由三个玩家组成的团队，在人工智能代理商推理人类信念的过程中，我们开发了一种概率图模型（PGM）。我们的实验表明，玩家的行为受到游戏中视野内所见的影响，以及他们对标记意义的信念和团队决定采用哪个意义的 - 条件独立图上的知识传播
本研究提出了在条件独立图上进行知识传播的算法，实验证明该技术在公开可用的 Cora 和 PubMed 数据集上优于现有技术。
- 使用点积进行分层聚类可以恢复隐藏的树状结构
本文提出了一种新的视角来考察聚类算法，侧重于恢复层次结构，并推荐了一种通过最大平均点积合并聚类的简单变体算法，该算法在数据的概率图模型下提供了真实的层次结构估计，并通过实际数据表现出比现有方法（如 UPGMA、Ward's 方法和 HDBS - 贝叶斯网络中循环的基础
本文提出基于约束和限制两种语义的循环贝叶斯网络的研究，并证明这两种语义可以通过马尔可夫链构造来计算。
- 血红满地，头条报道：计算方法报道洛杉矶的犯罪
该研究提出了一种机器辅助系统，使用概率图模型和规则系统来生成文章结构和提要段落，以覆盖洛杉矶的犯罪报道，旨在提高新闻报道的效率和准确性。
- ICCV一种用于域泛化的风格和语义记忆机制
本文提出了一种 STEAM 模型，该模型利用了域中内在的样式不变性以及共享的语义特征，可以优化域泛化效率，并且在实验中超越了现有的最先进方法。
- 图像字幕和视觉问答自动解析网络
提出了一种自动解析网络（APN），将概率图像模型（PGM）参数化为自注意层上的注意操作，以将稀疏假设合并到输入序列的分段中，从而提高基于 Transformer 的视觉语言系统的效率。
- 高效神经化 Higher-order Belief Propagation
本文提出了一种结合了图神经网络和概率图模型的方法，手段是利用一种高效的近似推理算法，将其嵌入到神经网络中实现端到端的学习，可以有效地捕捉节点和图之间的高阶关系，并在分子数据集上取得了明显优于基于 $k$ 阶图神经网络的最新效果。
- PGM-Explainer：面向图神经网络的概率图模型解释器
本文章提出了 PGM-Explainer，一种基于概率图模型（PGM）的 GNN 解释器，其能够识别关键的图形成分并生成一个 PGM 来近似解释预测，并且将解释以条件概率的形式呈现。理论分析表明，PGM-Explainer 生成的 PGM - 多边际最优输运与概率图模型
本文从概率图形模型角度研究了多边际最优输运问题。当最优输运的成本允许图形结构时，我们指出了二者之间的一个优雅的联系。特别地，通过熵正则化的多边际最优输运等价于概率图形模型的贝叶斯边际推断问题，其中附加了一些边际分布要求的条件。这种关系一方面 - AAAI在最优因子范围内找到所有贝叶斯网络结构
提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。
- ACL变分知识图谱推理
本研究提出了一种基于概率图模型和变分推断的方法，通过建立一个潜在变量表示创建实体之间关系，并且使用该方法成功得进行了缺失链路预测任务，实验结果表明该方法在多个数据集上都达到了最优表现。
- 带高斯叶子节点的总积网络在线结构学习
本文介绍了一种在线学习连续 SPN 与高斯叶的结构和参数的技术，使得 sum-product 网络的结构学习和参数学习更为便捷。
- ICML一种新的层次化冗余消除树增强朴素贝叶斯分类器，用于处理基于基因本体论的特征
本文介绍了一种基于概率图模型的分类器 —— TA 朴素贝叶斯分类器，提出了一种 HRE-TAN 算法，该算法能够在处理包含分层结构特征的数据时去除分层冗余，实验表明，HRE-TAN 模型在基因数据集上的表现优于传统的 TA 朴素贝叶斯分类器