本文引入一种新的技术 —— 随机正交序列消息传递（SOSMP）—— 用于计算具有连续随机变量模型中的 BP 固定点，通过对信息的正交级数展开的确定性近似和基础系数的积分更新的蒙特卡洛估计的随机近似 贴近 BP 固定点，此技术已被证明在任何树形图和满足缩小条件的任何图形中的 BP 更新都会收敛到唯一的 BP 固定点的 δ 邻域。同时，我们演示了如何根据所需的近似精度 δ 和兼容性函数的平滑度来选择基础系数的数量，并通过模拟实例和光流估计应用证明了我们理论的正确性。

Dec, 2012

本文使用多项式计算复杂度的条件，证明了 Sum-Product 算法（也称为环形置信传播或简单置信传播）收敛于唯一的固定点，适用于任意因子图，包括含有零因子的情况，在二元变量有交互作用的情况下还导出了新的足够条件，证明了其优于现有的一些条件。

Apr, 2005

使用高斯信仰传递算法（GaBP）解决线性方程组问题，实现了迭代解法，从而实现了分布式消息传递实现解决方案的算法。通过广泛的模拟实验，在具有数百万节点和数亿通信链接的真实网络拓扑上展示了 GaBP 算法的吸引力和适用性。

Nov, 2008

研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。

May, 2019

Circular Belief Propagation (CBP) 是 Belief Propagation (BP) 的扩展，通过学习检测和取消虚假相关性和置信度放大来限制循环引起的消息回声的负面影响，实验结果表明 CBP 在二进制概率图的数值实验中远远超过了 BP，并且与先前提出的算法相比表现良好。

Mar, 2024

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

本文开发了用于集合类型随机变量的信念传播规则，并提出了存在随机元素和基数的集变量节点的因子图，将该方法应用于同时定位和地图制图中，并证明了提出的方法相较于标准的信念传播方法在性能上有更好的表现。

May, 2023

本研究提出一种新颖的推断算法，可用于任意的、二元的、无向图。该算法直接下降 Bethe 自由能，更新成对概率和边际概率，以获得本地最小值。同时，该算法的稳定性为数据学习图模型提供了理想手段。

Jan, 2013

本研究证明了置信传播算法在容量约束最小费用网络流问题上的全多项式运行时间，还证明了算法的随机逼近方案，这提供了理论依据支持置信传播算法成为解决一类重要的优化问题的有吸引力的方法。

Apr, 2010

探讨了如何在异步传播中安排消息以实现更快且更频繁地达到固定点，并通过提出残留置信传播（RBP）算法来解决此问题，该算法相对于现有方法在多种挑战性的合成和实际问题中具有更高的收敛率和更短的收敛时间。

Jun, 2012