In dieser Dissertation werden neue Techniken für Inferenz und Lernen von und Entscheidungsfindung in probabilistischen graphischen Modellen über kombinatorische Zustandsräume in kontinuierlicher Zeit entwickelt. Solche Modelle sind in den Natur- und Ingenieurwissenschaften weitverbreitet. Sie können zur Beschreibung verschiedener Arten von Multi-Agenten-Dynamiken in Netzwerken verwendet werden, wobei die Anwendungen von genregulatorischen Netzwerken in der Molekularbiologie über soziale Netzwerke in den Sozialwissenschaften bis hin zu Stromnetzen in den Ingenieurwissenschaften reichen. Alle diese Beispiele existieren in kontinuierlicher Zeit. Der erste Teil dieser Arbeit befasst sich mit der Inferenz und dem Lernen auf Basis unvollständiger Daten, die an unregelmäßigen Positionen in der Zeit aufgenommen wurden - was den Status-quo in der Molekularbiologie darstellt. Auf solchen Daten basierende Inferenz ist nicht skalierbar, wobei der prominenteste Grund dafür der exponentiell wachsende Zustandsraum in der Zahl der Agenten ist. Ein üblicher Ansatz zur Milderung der Zustandsraumexplosion sind Variationsnäherungen. Variationsnäherungen ermöglichen die exakte Berechnung von approximativen Inferenzlösungen. Dies steht im Gegensatz zur Stichprobenmethode, die approximative Berechnungen für exakte Inferenzen ermöglicht. Solche Variationsapproximationen existieren in verschiedenen Formen in statischen oder zeitdiskreten probabilistischen graphischen Modell. Wir hingegen bieten eine prinzipielle Methode zur Erzeugung von Variationsnäherungen für die Inferenz in zeitkontinuierlichen probabilistischen graphischen Modellen mit verschiedenen Genauigkeitsgraden. In ähnlicher Weise ist das Erlernen der Strukturen probabilistischer graphischer Modelle nicht skalierbar, da die Anzahl der Strukturen mit der Anzahl der Agenten super-exponentiell skaliert. Besonders aussichtslos wird dies im oben erwähnten Szenario mit unvollständigen Daten, in welchem für jeden der möglichen Strukturen die nicht skalierbare Inferenz durchgeführt werden muss. Wir relaxieren das kombinatorische Problem der Struktursuche auf einen gradientenbasierten Ansatz, bei dem die Optimierung über Mischungen möglicher Strukturen erfolgt. Durch Kombination mit der oben erwähnten Variationsinfererenz wird eine skalierbare Methode zum Strukturlernen aus unvollständigen Zeitreihendaten entwickelt. Der zweite Teil dieser Arbeit konzentriert sich auf die Entscheidungsfindung in zeitkontinuierlichen Multiagentennetzwerken. Zunächst nehmen wir die Perspektive eines externen Planers ein. Das Ziel besteht darin, eine optimale Sequenz von Interventionsexperimenten durchzuführen, um die Netzwerkstruktur und -parameter unter möglichst geringen Ressourcen zu erlernen. Dazu übernehmen wir Techniken aus der optimalen Versuchsplanung und kausaler Inferenz. Um optimale Entscheidungen unter Unsicherheit treffen zu können, müssen alle möglichen Ereignisse unter Einbezug ihrer Eintrittswahrscheinlichkeit berücksichtigt werden, was wiederum in Multi-Agenten-Systemen nicht exakt zu bewerkstelligen ist. Wir entwickeln ein neuartiges Variationskriterium, das es ermöglicht, Entscheidungen in hochdimensionalen Problemen zu treffen. Wir zeigen, wie Interventionen aus Pearls do-calculus von statischen auf zeitkontinuierliche Modelle übertragen werden. Das Ergebnis ist überraschend - der Effekt einer Intervention in einem zeitkontinuierlichen zyklischen Interaktionsgraphen ist derselbe wie in einem statischen azyklischen Bayes'schen Netzwerk. Im folgenden nehmen wir die Perspektive der einzelnen Agenten ein und treffen optimale lokale, zustandsabhängige Entscheidungen in Form von Aktionen, um ein gemeinsames Ziel zu erreichen. In diesem Planungsszenario muss jeder Agent alle möglichen Zustands-Aktions-Trajektorien aller anderen Agenten berücksichtigen. Hier nutzen wir die im ersten Teil der Arbeit entwickelte Variationsstörungstheorie, indem wir uns die Dualität zwischen Planung und Inferenz zunutze machen. Wir zeigen, wie die (diskontierte) Planung über einen Inferenzansatz in kontinuierlicher Zeit übertragen werden.