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。

本研究探讨了贝叶斯网络中MAP问题的计算效率，提出通过引入领域知识来加速计算，结果表明加速效果与MAP查询的具体情况相关。

本文探讨了如何通过因子论证为贝叶斯网络推理提供自然语言解释，提出的算法优化了论证展示，增强了用户对推理的理解，尤其在医学领域优于传统方法。

建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。利用贝叶斯网络和因果关系分析推导因果网络，提升教学和学习质量，保持决策过程透明度。

通过贝叶斯网络分析上海1型和2型糖尿病数据集，揭示了关键生物标志物之间的复杂关系。贝叶斯网络在预测准确性方面表现出显著效果，为个性化糖尿病管理提供潜力。

本文介绍了图形模型的常见例子和操作，包括贝叶斯网络、马尔科夫链和马尔科夫场等。同时，介绍了Gibbs采样和期望最大化算法等标准算法模式，并综述了一些流行的算法，如线性回归和离散贝叶斯网络。强调了图形模型对于理解和开发复杂学习算法的重要性。

本文提出了一种基于贝叶斯网络的交通事故预测框架，通过天气和交通事件之间的因果关系预测交通事故并展示透明关系。网络可视化简化了变量关系分析，揭示了交通事故主要原因，为减少交通事故提供了参考。

该文提出了一个基于信息论的框架，重新演绎和推广现有的变分方法，并设计了新的方法。该框架基于多变量信息瓶颈的解释，其中两个贝叶斯网络相互权衡。作者实现了所有这些算法，并在经过修改的噪声 MNIST 数据集上评估它们产生共享低维潜空间的能力。