Ein wichtiger Gesichtspunkt, der einer der Forschungsschwerpunkte im Teilprojekt C1 des Sonderforschungsbereichs 396 bildete, war ein approximativer Inferenzalgorithmus, der auf dem Interfacealgorithmus für diskrete Bayesnetze, den K. Murphy in seiner Dissertation vorgestellt hat. Bei der Verwendung für hybride, dynamische Bayesnetze kann nicht länger von der Berechnung eines exakten Mittelwerts bzw. einer exakten Varianz ausgegangen werden. Die Ursache hierfür liegt in der Approximation von gaußschen Mischverteilungen durch Mischverteilungen mit weniger Mischungskomponenten. In der Anwendung in der Regelungstechnik repräsentieren die Mischungskomponenten jedoch verschiedene Arbeitspunkte. Da meist nur ein Arbeitspunkt bzw. bei Übergängen zwei Arbeitspunkte aktiv sind, reicht die erreichte Genauigkeit für Regelungszwecke aus, die Regelungsgüte wird durch das Verwenden des approximativen Inferenzalgorithmus nicht beeinträchtigt. Die Laufzeit des approximativen Algorithmus steigt jedoch nur linear an, der Zeitbedarf des exakten Inferenzalgorithmus steigt exponentiell mit der Anzahl der Zeitscheiben an.

Der zweite Schwerpunkt bildete die Modellerstellung, wobei einer der Schwerpunkte das Auffinden einer geeigneten Struktur ist. Betrachtet man die Parameter eines hybriden Bayesnetzes genauer, so fällt auf, dass man jeder Belegungsmöglichkeit der diskreten Väter eines Knotens einen konkreten Parameter zuordnen kann. Falls die durch einen Versuchsplan erhobenen Daten zum Training eines Bayesnetzes dienen sollen, so ist darauf zu achten, dass für jede diskrete Knotenmenge {X₁, ..., X_n}, die Väter eines anderen Knotens sind, ein vollfaktorieller Versuchsplan durchgeführt wird, oder zumindest alle möglichen Kombinationen x₁, ..., x_n beobachtet werden.

Diese Erkenntnisse wurden beim Erstellen eines Versuchsplanes für den Spritzgussprozess angewandt. Die als wichtig erkannten Mehrfachwechselwirkungen können als verborgene Knoten in das Bayesnetz aufgenommen werden. Die Trainierbarkeit und insbesondere die Generalisierbarkeit des Bayesnetzes ist damit sichergestellt.

Selbstverständlich hat der Versuchsplan bzw. die erhobenen Daten auch einen Einfluss auf das automatische Strukturlernen. Falls die Daten direkt bei der Produktion erfasst wurden, so stammen sie meisten aus einem fest vorgegebenen Prozessfenster. Die Eingabegrößen erscheinen dabei stark korreliert, da sie aufeinander abgestimmt werden müssen, um ein optimales Produktionsergebnis zu erzielen. Auf der anderen Seite lassen sich die Eingabewerte meist unabhängig voneinander einstellen, so dass es sinnvoll ist die Eingabegrößen als unabhängig zu modellieren. Auf Bayesnetze bezogen heisst das, dass in diesen Fällen Kanten zwischen den Eingabeknoten überflüssig sind.