本研究提出了STRUC-MAS框架，旨在解决医学诊断中专家团队协作的复杂性。该框架通过自动学习全球模型，显著提高了急性肾损伤的预测准确率，强调了全球结构学习在分类和诊断推理中的重要性。

本研究提出了一种名为RLBayes的算法，旨在解决贝叶斯网络结构学习中的搜索空间问题。该算法基于强化学习，通过动态维护Q表来指导学习，理论和实验结果表明其在全局最优结构收敛性和效果上优于其他启发式搜索算法。

本文介绍了 exttt{Open-RAG}模型，通过稀疏专家混合（MoE）提升开源大型语言模型的推理能力，优化复杂查询的处理。该模型结合结构学习和动态选择专家，平衡性能与速度，生成更准确的响应。

本文介绍了GRank图模式实体排名模型，并评估其在链接预测任务中的表现，结果优于ComplEx和TorusE。研究还探讨了知识图谱的结构学习、补全及质量评估，提出了改进评估方法的建议，强调了知识图谱在各领域的应用潜力。

本文提出了一种基于优化问题的连续方法来解决有向无环图（DAG）结构学习，避免了组合约束，提高了算法效率。该方法在处理大规模节点时保持高精度，并在多个实验中优于传统算法，尤其在非凸优化情况下表现出色。未来研究应关注非等噪声方差问题，以实现更广泛的应用。

Cliqueformer是一种基于模型的变换器架构，专注于离线模型优化中的结构学习问题。它通过学习黑箱函数的结构，在新材料和蛋白质设计中显著提升了优化性能，并在多个实际任务中表现出色。

本文研究了知识图谱的结构学习、知识获取与补全、时间知识图谱及其应用，提出了新的分类法，探讨了逻辑推理、节点嵌入策略及多视图知识图谱的查询解决方案，展示了基于图神经网络的推理能力和实验效果，强调了知识在学习技术中的重要性。

本文提出了一种基于优化问题的连续方法，解决结构学习中的DAG问题，避免组合约束，提高算法效率。研究表明，该方法在处理大规模节点时保持高精度，优于传统算法。实验结果显示新算法在准确性和效率上均有显著提升，并探讨了未来研究方向。

本文介绍了多种基于图神经网络和Transformer的模型，如TransGCN、GraphFormers和LPFormer，旨在提升知识图谱的链接预测和结构学习性能。这些方法通过优化嵌入学习和信息传播，在多个数据集上表现优越，推动了图表示学习的发展。

本文提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类方法，探索特征与结构的相互作用，表现优异。研究引入高阶多视角聚类和基于同质性增强的结构学习方法，优化图结构，提升聚类质量。实验结果表明，这些方法在多个基准数据集上表现出色，展示了图聚类的应用前景。

该研究探讨了知识图谱在信息抽取中的应用，介绍了多种知识图谱补全方法，包括基于嵌入式网络、预训练语言模型和信息检索的模型，旨在提升链接预测和结构学习的性能，并提出了加速模块和评估方法的改进方向。

本文探讨了一种新策略用于大规模动态贝叶斯网络结构学习，提出了一种基于得分的图神经网络方法，显著提高了计算效率和准确性。同时，研究了从用户知识和统计数据中学习贝叶斯网络的算法，并验证了其在大数据环境下的有效性。

本文探讨了因果贝叶斯网络中的结构学习算法，强调先验知识在因果模型中的重要性。研究表明，少量先验知识能显著提高推断结果的准确性。此外，提出了因果感知神经网络（CINN），通过编码因果结构来提升预测性能，适用于复杂因果关系的建模与解释。

该文介绍了一种新的概率图模型——概率关系网络，可以直接捕捉结构学习过程中的方向性循环依赖关系。该模型支持从观测数据中学习，并支持概率推断，在数据分析、专家决策和设计应用中具有潜在的用途。

该文介绍了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行优化，并通过交替训练同质性增强的结构学习和基于GNN的聚类来实现它们的相互作用。研究结果表明，该方法在多个基准数据集上表现出优越性。