半线性高斯贝叶斯网络：通过带惩罚的B样条增强节点依赖灵活性

研究人员提出了半线性高斯贝叶斯网络（SLGBN），通过在保留高斯条件分布的同时引入非线性条件均值函数，填补近似高斯但含非线性关系变量的建模空白。该方法结合线性与非线性高斯条件模型，采用带惩罚B样条的广义加性模型（GAMs）估计非线性均值函数，并提出贪心爬山算法学习网络结构。实验显示，SLGBN在拟合度与结构恢复上优于LGBN和SPBN，且计算效率高于全半参数方法。