本文研究概率图模型中置信传播算法的性能，特别关注模型参数对固定点数、收敛性和逼近质量的影响。

Sep, 2022

本文提出了一种新的混合模型，将因子图神经网络与置信传播结合起来，通过每一次迭代交替地运行，从而在误差纠正编码任务方面优于置信传播。

Mar, 2020

提出了一种基于预测信念传播的新型学习和推断算法，对于一般潜变量图模型，算法将硬参数学习问题简化为一系列监督学习问题，并将学习不同种类的潜变量图模型统一到一个局部最优、统计一致的学习框架中，此算法在合成和真实数据集上显著优于前人方法，也更快地计算。

Dec, 2017

本文研究一种基于 Monte Carlo 采样的 “前向” 算法家族，用于解决在信念网络上计算概率推理的问题，并提出了几种改进策略以降低后验方差。

Mar, 2013

本文介绍了一种名为计数 BP 的新型 BP 算法，它利用了图模型中存在的对称性，通过构建压缩图模型的方式实现更高效的模型推理，在包括动态关系模型和布尔模型计数等多种人工智能任务中取得显著的效率提升。

May, 2012

本文介绍 Quantified Boolean Bayesian Network (QBBN)，提供了逻辑和概率推理的统一视角，通过创建具有逻辑推理基础的无界布尔变量的贝叶斯网络，以解决信息检索中大型语言模型（LLM）产生幻觉的问题，并且研究了推断方法中的 LBP 的使用和收敛性。

Feb, 2024

我们提出了一种在高斯因子图中进行学习的方法，将所有相关的量（输入、输出、参数、潜变量）都视为随机变量，并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明，这些问题可以通过信念传播（BP）进行高效求解，其更新在本质上是局部的，为分布式和异步训练提供了令人兴奋的机会。我们的方法可以扩展到深度网络，并提供了一种自然的方法进行连续学习：使用当前任务的 BP 估计参数边缘作为下一个任务的参数先验。在视频去噪任务中，我们展示了可学习参数相对于经典因子图方法的优势，并展示了深度因子图在 MNIST 连续图像分类上令人鼓舞的性能。

Nov, 2023

使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

Mar, 2018

本文章提出了一个适用于贝叶斯推断的图形框架，能够容纳标准情况以及最近有关量子贝叶斯推断理论的提议，其中考虑密度算符而非概率分布作为信念度量的代表。该文对对称单调范畴的图形语言，紧凑结构和其中的 Frobenius 结构进行了说明，其中贝叶斯反演简化为相对于适当紧凑结构的转置。同时，我们还介绍了一种类量子的微积分，其中 Frobenius 结构是非交换的，并且可以容纳 Leifer 的 “条件密度算符” 微积分。本文还将条件独立性的概念推广到图形设置，并与贝叶斯网络理论进行了初步联系。最后，我们演示了如何在任何陪距紧凑范畴内构建图形贝叶斯微积分。

Feb, 2011

本文提出了一种基于解线性方程组的方法，用于近似解决循环因子带权 Markov 随机场的置信传播问题，并且这种方法能够同时享有完全收敛的保证和较快的矩阵实现、适应于异质网络的特点。实验结果表明，在节点权重较弱的网络图上，这种线性化的方法在保证准确性的同时大大加快了推断速度，达到了与 BP 相当的标签准确性。

Feb, 2015