structure-learning

本文提出了Neural-Bayesian结构学习框架，该框架将可微结构学习与离散选择建模相结合，用于预测选择行为和评估干预措施，在恢复连贯的依赖结构的同时，实现了与现有基准可比的性能。

本文提出了一种监督结构学习方法，用于训练代理管理的知识库，将存储视为模型，以提高检索准确率并减少检索增强生成系统中的动作使用。

本文从理论上分析了连续DAG学习中的支持选择，表明仅靠平滑无环约束无法在可行性之外对支持进行排序，推导了NOTEARS/DAGMA的选择时间，并对320条轨迹进行了经验审计。

本文提出了一种多项式时间算法，用于从单条格劳伯动力学轨迹中学习高斯图模型的结构，其轨迹长度保证不依赖于混合时间。