bayesian-networks

本文提出ConsultMind与AutoDisym框架，利用贝叶斯网络与不确定性感知推理实现诊断咨询自动化，在多个医疗领域展示了更高的诊断准确性与解释质量。

本文提出了一种用于学习图马尔可夫毯的忠实性假设的k阶松弛，并引入了一个概念验证算法（kOMB），即使在忠实性违反情况下（如奇偶类型关系），也能恢复马尔可夫毯。

本综述系统回顾了联邦因果发现与推断，按方法论范式、联邦拓扑和结构范围组织方法，并强调了开放挑战。

本文提出了一种 Glassbox 框架，该框架利用贝叶斯网络作为生成模型的透明事前中介层，实现了可审计的推理轨迹和可质疑的输出，以解决高风险 AI 应用中的不透明性问题。

本文针对Baymex算法引入了并行化策略和自适应引导机制，以高效学习用于临床数据的离散化贝叶斯网络分类器，在16核CPU上实现了超过54倍的加速，并在保持可解释性的同时，获得了与传统模型相当或更优的预测性能。