离散贝叶斯网络的分布鲁棒骨架学习

本文提出了一种从可能受损数据中学习离散贝叶斯网络骨架的方法，基于分布鲁棒优化和回归，通过最小化在Wasserstein距离或KL散度内分布的最不利风险。研究了高效算法，证明了方法的有效性，并提供了代码。