贝叶斯网络 (Bayesian Networks, BNs) 结合概率论与图论知识来表达有关变量的联合概率分布，通过复杂联合概率分布的紧凑表示，降低了知识获取的难度和概率推理的复杂度，使得概率论可以应用于不确定性问题的建模与分析之中。
作为一种“白盒”式的人工智能模型，贝叶斯网络已经被广泛运用于数据稀缺的工业医疗场景，如故障诊断、稀有疾病诊断、基因分析等。而在给定较强假设之后，贝叶斯网络的结构学习本质上是一种因果发现 (Causal Discovery) 过程，这也是近些年的一个研究热点，因果发现不仅可以分析数据的潜在关联简化因果推理任务的复杂度，还为揭示客观世界的物理规律提供了技术途径。
此外，随着表征学习 (Representation Learning) 的兴起，因果发现能够表征特征空间与数据空间的因果关系，增强对基于神经网络 (Neural Networks) 的人工智能模型的可解释性。
Entropy 邀请了西北工业大学高晓光教授和香港城市大学王紫东博士共同创建特刊“Bayesian Networks and Causal Discovery (贝叶斯网络与因果发现)”。本特刊的主要目标是收集针对贝叶斯网络、因果发现、因果推理等领域的新意见、新方法、新成果，通过因果性研究为可解释性人工智能做出贡献。本特刊接受未发表的原创论文和综述，重点关注 (但不限于) 以下研究领域：
贝叶斯网络基础模型研究，如参数学习、结构学习、推理算法；
贝叶斯网络在工业医疗等领域的应用研究，如专家系统，可靠性分析等；
基于组合优化、独立性检验等的因果发现算法及其变体；
基于连续优化的因果发现算法及其变体；
引入干预实验 (Intervention) 的因果发现算法及其变体；
因果忠实性与因果充分性弱化的因果发现算法及其变体；
引入约束的因果发现算法及其变体；
因果性研究与深度学习算法的融合，如贝叶斯神经网络、贝叶斯深度学习等；
因果性研究与其他机器学习算法的融合，如因果机器学习、因果表征学习等；
因果性研究与大语言模型的融合，包括LLM4CD和CD4LLM。
投稿截止日期：2025年7月15日
客座编辑
高晓光 教授
西北工业大学
西北工业大学教授，博士生导师。国家示范性国际科技合作基地“飞行器综合体效能分析国际科技合作基地”主任。享受国务院政府特殊津贴，全国高等学校优秀骨干教师，陕西省师德标兵。工信部国防科技创新团队负责人。中国指挥与控制学会常务理事，中国人工智能学会不确定性人工智能专委会委员。主要研究方向为人工智能、贝叶斯网络理论及应用、飞行器智能决策与效能评估。主持国家自然科学基金5项，国家及部委科研项目20余项。获省部级科技进步奖6项。出版学术专著2部，在 Pattern Recognition、International Journal of Approximate Reasoning、Information Science、《自动化学报》等国内外重要学术期刊发表论文150余篇，授权发明专利15项。
研究兴趣：机器学习、贝叶斯网络、复杂不确定性系统建模等。
王紫东 博士
香港城市大学
于2018和2024年获西北工业大学学士和博士学位。参与完成国家自然科学基金等项目3项，授权发明专利1项，获得中央军委联合参谋部举办的创客大赛三等奖1项 (学生排名第一)，博士研究生国家奖学金，“航空工业”二等专项奖学金，西北工业大学优秀研究生，教育实验学院荣誉奖学金。在 Information Science、Knowledge-based Systems 等国内外重要学术期刊发表论文20余篇。2024年起于香港城市大学电脑科学系进行研究，导师为香港城市大学讲席教授、长江学者讲座教授、IEEE Fellow张青富教授 (2016—2020连续入选Web of Science计算机科学领域的高被引学者，Google Scholar总引用超过40,000次)。
研究兴趣：贝叶斯网络结构学习、因果发现、多目标优化等。
了解特刊详情：https://www.mdpi.com/si/208275
期刊主页：https://www.mdpi.com/journal/entropy
Entropy 期刊介绍
主编：Kevin H. Knuth, University at Albany, USA
期刊主要发表熵和信息论的相关文章，涉及学科领域有：热力学、统计力学、信息论、生物物理学、天体物理学及宇宙学、量子信息和复杂体系等，当前位于 JCR 物理多学科二区。
2023 Impact Factor：2.1
2023 CiteScore：4.9
Time to First Decision：22.3 Days
Acceptance to Publication：2.7 Days
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1481453.html?mobile=1
收藏
