Probabilistische grafische model, en specifiek causale Bayesiaanse netwerken, laten toe om data en causale kennis te combineren. Op basis van deze techniek is het mogelijk om probabilistisch te redeneren over complexe problemen, zelfs wanneer je geconfronteerd wordt met een hoge mate van onzekerheid. Ondanks deze voordelen blijft het gebruik van deze modellen in de praktijk beperkt omdat ze niet om kunnen gaan met uitdagende, maar veelvoorkomende data eigenschappen zoals (1) een combinatie van discrete en continue variabelen, (2) temporele gegevens en (3) ongestructureerde data zoals tekst. Deze beperkingen zijn net de sterkte van neurale netwerken. Ze zijn uiterst geschikt om dergelijke gegevens te modelleren en hebben de afgelopen jaren veel succes gekend door hun uitmuntend vermogen om patronen te herkennen. Toch zijn neurale netwerken niet in staat om causale kennis te gebruiken, zijn ze niet interpreteerbaar en nauwelijks geschikt om probabilistisch te redeneren. In dit onderzoeksvoorstel ben ik van plan om het beste van beide werelden te combineren in één neuro-probabilistisch raamwerk. Het algemene doel is om neurale netwerken te bouwen die de probabilistische eigenschappen van causale Bayesiaanse netwerken bezitten maar toch uitdagende data-eigenschappen aankunnen.