- 稳态时间序列贝叶斯结构学习
本文基于贝叶斯方法提出一种基于时间序列的图结构学习方法，将先验概率分别置于图形结构和基于图形的光谱矩阵上。该方法可避免对复杂光谱矩阵本身的推论，并获得一组基于时间序列的被称为零阶的条件独立关系，使得我们可以使用标准结构学习框架进行有效的时间 - 自适应结构学习的无监督特征选择
该论文提出了一种同时进行结构学习和特征选择的统一学习框架，通过相互作用识别出精确的数据结构并选择更多信息。实验结果表明，该方法在许多基准数据集上优于许多最先进的非监督特征选择方法。
- 基于约束的贝叶斯网络结构学习算法：在 bnlearn R 包中的并行和优化实现
本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习，以提高效率和稳定性。同时，利用该框架，以及 4 个参考网络和 2 个现实中的数据集，演示了约束性算法的实现性能。
- 利用独立性检验高效发现马尔可夫网络结构
本文提出了一个新的基于独立性假设的方法 GSIMN，通过利用三角形定理有效地推断网络的条件独立关系，从而避免了大量的统计检验。在人工和真实数据集上的实验结果表明，GSIMN 比现有的先进算法更具有可扩展性和可靠性。
- SparsityBoost: 一种新的评分函数用于学习贝叶斯网络结构
本文提出了一种新的一致性结构学习评分函数，与传统方法相比，该评分函数具有数据相关性且随着数据量的增加而变得更易于最大化，使用线性规划松弛方法时效果特别好，可学习与生成分布接近且没有错误边的结构。
- 通过搜索子句空间学习概率逻辑程序的结构
本文提出了一种算法（SLIPCOVER）用于通过在概率子句和理论空间中执行波束和贪婪搜索来进行概率逻辑程序的结构学习，并使用数据的对数似然作为指导启发式算法。该算法已在五个实际数据集上进行了测试，并与其他算法进行评估。
- 稀疏高斯图模型的贝叶斯结构学习
本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用 - 学习连续时间贝叶斯网络
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。
- 连续时间贝叶斯网络的期望最大化与复杂持续时间分布
本文研究了基于连续时间贝叶斯网络（CTBNs）的参数学习和结构学习方法， 提出了一种基于相位分布的扩展方法，可以更好地逼近时长分布的实现， 经实验结果表明，该算法可以在部分观测数据中学习出合理的结构和参数，并在人们寿命的真实数据集上比 DB - 一种非参数贝叶斯方法用于推断隐藏的因素
使用无参数贝叶斯方法和 Gibbs 抽样器发现隐含因素和结构，并在真实医学数据集中进行应用。
- 动态规划与 MCMC 的贝叶斯结构学习
本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布，以在更短的时间内收敛于后验概率，从而实现更准确的结构学习和更高的测试数据预测似然。
- 学习事物改变的原因：基于差异的因果学习者
本文提出了 Difference-Based Causality Learner（DBCL），一种用于学习表示系统时间内所有因果关系的离散时间动态模型的算法，旨在通过实际机械系统的激励来验证其正确性。结果表明，相比于 VAR 和 Grang - 有向无环图干预马尔可夫等价类的特征和贪心学习
本文将有向无环图（DAGs）上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布，给出两个 DAGs 在干预下等价的图理论标准，并且提出干预性本质图的概念，揭示了在干预性分布情况下因果模型识别过程的关键见解，最后基于这些见解，构建出一种新 - 哪些图形模型难以学习？
我们研究了从独立同分布采样中学习 Ising 模型（成对二元 Markov 随机场）的结构问题。通过分析多个具体例子，我们发现当 Markov 随机场发展为远程相互关系时，具有低复杂度算法的方法的系统性失效。更具体地说，这种现象似乎与 Is