贝叶斯网络结构学习换了搜索策略：稀疏网络上PCTABU胜过PCHC，稠密网络打平
混合式贝叶斯网络学习把骨架构建与打分搜索分开，搜索阶段用爬山法还是禁忌搜索、打分用BDe、LL还是BIC，都会改变学到的结构。PCTABU把PC算法的骨架构建与禁忌搜索结合，在八个真实基准网络上与PCHC对比：Alarm、Child、Hailfinder三个较稀疏网络上PCTABU更好，其余五个网络两者几乎等价；LL打分在两种算法上都持续最差，BDe与BIC表现相近。
地铁火灾风险不再靠专家挑节点：知识图谱加图网络自动选出22个关键节点，伤亡高概率从6.58%升到53.2%
地铁火灾风险评估长期依赖专家手工挑选贝叶斯网络节点，主观性强、难以随场景调整。这套方法先用自然语言处理从事故记录与消防规范中抽取215个火灾特征词和6类风险标签，建成含666个节点的知识图谱，再用三层图卷积网络做节点分类，结合置信度与K-means聚类自动选出22个代表节点搭建贝叶斯网络。在恶意乘客行为、排烟失效、报警延迟等风险耦合的场景下，伤亡节点的高风险概率由基线6.58%升至53.2%。
已读完全部报道