本研究提出了一种结合模糊推理与贝叶斯网络的群体决策系统，针对多目标属性的决策问题。通过构建模糊规则库和分层贝叶斯网络，优化后验概率聚合，结果表明该方法在分类精度和一致性排名上优于传统方法，验证了其在多种决策场景中的有效性和可靠性。

该研究提出了一种生成高质量残疾人服务可及性调查数据的新方法，利用结构方程模型和贝叶斯网络生成合成数据。结果表明，该方法在统计和关系有效性方面优于高斯耦合和条件表生成对抗网络，为敏感数据研究提供了新的思路。

本研究探讨大型语言模型（LLMs）在提取结构化因果知识中的应用，发现其生成的贝叶斯网络在预测性能上优于传统方法，但仍需解决上下文限制等问题。

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。

本研究探讨了在有界树宽条件下多变量多项式的可解释性与复杂性，特别是针对布尔变量。通过新的多项式阈值表示方法，展示了其在贝叶斯网络分类器中的应用潜力。

该论文提出了一种自适应重要性抽样算法（AIS-BN），在极端条件下展现出优越的收敛率和精度。研究了贝叶斯网络中的MAP问题，提出了通用的MAP近似框架和基于模拟退火的AnnealedMAP算法，解决了NP难问题。此外，还探讨了贝叶斯网络中的敏感性分析及从用户知识中学习的算法，提出了新的MAP解的概率上限及其应用。

该研究论文介绍了多种基于贝叶斯网络和点过程的模型及其应用，包括Gibbs采样、Dirichlet混合模型和深度混合点过程，旨在提高事件序列聚类和预测的准确性与效率，特别是在处理复杂数据和不确定性方面表现优越。

本研究提出了一种基于图像外观的补丁级信息预测图像变形的方法，利用深度编码器-解码器网络学习图像与配准参数的映射，显著减少计算时间。同时，创建了贝叶斯概率版本的网络，以评估变形场的不确定性。研究还探讨了变形感知正则化和神经测地场等新方法，展示了在医学图像分析和3D几何表示中的优越性能。

本文研究通过因子论证为贝叶斯网络推理构建自然语言解释，以提升易用性和准确性。提出的算法优化了论证展示，显著改善了医学领域用户的理解效果。

本文探讨了马尔科夫等价类及其在因果推断中的应用，提出了新的定向规则和算法，以提高贝叶斯网络结构学习的精度和效率。研究涵盖了有向无环图（DAG）的干预设计、最大方向性任务及其优化方法，展示了新算法在处理复杂图形时的优势。

本文研究了贝叶斯网络的概率分布建模，比较了密度估计方法，并提出了稀疏朴素贝叶斯分类器和SimPro框架等多种改进的分类器和学习方法，显示出在高维和不平衡数据集上的准确性和效率优势。

本文探讨了贝叶斯网络和朴素贝叶斯分类器的改进方法，包括核估计、稀疏先验和特征选择，提出了新技术CIBer以提高分类准确性，并在不同数据集上验证了其有效性。研究表明，优化算法在捕捉数据特征方面优于传统方法，具有实际应用潜力。

本文介绍了一种基于有序决策图（ODDs）的贝叶斯网络分类器推理方法，比较了不同的密度估计方法，并提出了公平性算法和新的结构学习算法LEAST，展示了其在多个应用中的有效性。同时，研究探讨了朴素贝叶斯分类器的改进及其在数据流分类中的表现。

本文研究了一种新的贝叶斯网络结构学习算法，优于传统模型选择和MCMC方法。通过前向-后向技术和快速莫比乌斯变换，加速了中等规模网络的学习。同时，探讨了从用户知识和统计数据中学习贝叶斯网络的评分度量和搜索程序，提出了新的评分函数，提升了数据相关性和最大化效果。

本文探讨了贝叶斯网络建模中的参数独立性、模块化特性及似然等价性假设，提出了新的机制独立性和组件独立性假设。介绍了“关系性因果发现”算法及基于祖先图的框架，用于识别因果效应，并研究了因果贝叶斯网络的测试与学习问题，提出了多种有效算法和主动学习框架，以提高因果推断的准确性和效率。

该研究提出了多种新算法用于学习贝叶斯网络和有向无环图（DAG），包括基于分数的SP算法、ENCO方法和稳定可微分因果发现（SDCD）方法。这些方法在高维数据、非线性关系和因果推断方面表现优越，实验结果显示其在多个基准测试中优于现有技术。

本研究探讨了将因果关系的先验知识纳入因果模型的方法，包括因果贝叶斯网络和最大祖宗图。模拟实验表明，少量先验知识能显著改善推断结果。研究还提出了新的因果发现算法和基于专家知识的改进策略，以提高因果图识别的效率和准确性。

该研究论文探讨了一种新的连续时间贝叶斯网络采样方法——Gibbs采样，旨在提高多组件过程的推理精度。通过结合高斯过程先验和蒙特卡罗采样，提出了非线性状态空间模型的贝叶斯方法，并研究了稀疏高斯过程和多尺度动态系统的建模与推断，展示了其在解释性和预测能力上的优势。

本文研究了离散变量贝叶斯网络的学习算法复杂度，指出在独立性条件下识别高得分结构的困难。提出了一种鲁棒性学习算法，适用于恶意破坏样本，并在大数据环境中加速贝叶斯网络学习。研究还探讨了基于PAC-Bayes分析的泛化能力及新的边界推导方法。