本文探讨对高度对称图形模型的变分推断方法，提出一种可以更高效求解该类图形模型的提升式紧凑公式， 并通过使用新颖的交换聚类一致性约束来提高 TRW 上界。

Jun, 2014

本文介绍了一种基于条件梯度法和最大后验概率调用的全局收敛算法，用于优化边际多面体上的树重新加权 (TRW) 变分目标，此算法模块化结构使我们能够利用黑盒 MAP 求解器 (精确和近似) 进行变分推理，并获得比优化本地一致性放宽的 tree 重新加权算法更准确的结果，从理论上解释了该算法的次优性，并在合成和实际应用实例中展示了收缩边际多面体和生成树多面体可以提高结果质量。

Nov, 2015

本文介绍了一种统一的收敛信息传递算法，称为 tree-consistency bound optimization (TCBO), 它可以在变分推理问题的 sum 和 max product forms 中都被证明是收敛的，并且将已有的算法中的极大化和求和进行交换后，可以获得新的收敛算法，特别是当树是单调链时，Wainwright 的非收敛 sum-product 算法实际上是收敛的。

May, 2012

本论文提出了一种基于 Junction chains 和线性规划的算法来处理图模型中的近似 MAP-MRF 推断问题，并且在计算机视觉领域取得了一定的性能提升。

May, 2012

本文研究了基于树重加权的最大乘积（TRW）信息传递算法的性质，针对二元变量、成对耦合的情况下，证明满足弱树协议条件的 TRW 解总是能达到全局最优解且总是能够在线性松弛下实现。

Jul, 2012

本文介绍了一种统一的消息传递算法架构来处理概率推断的两种形式：估计联合分布的边缘概率和找到最可能的分配，通过推广和介绍新的收敛算法，如 “凸自由能” 和线性规划松弛.

Mar, 2009

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

论文介绍了两种高效的基于 BP 算法的算法，保证收敛到凸自由能的全局最小值，提出了一种基于图的结构自动设置凸自由能参数的启发式方法。

Jun, 2012

该研究提出了一种基于坐标下降的方法来解决图模型中的 MAP 推理问题，并证明了该方法的迭代会收敛到算法的一个固定点，且在 O (1/ε) 次迭代内达到精度 ε>0。

Mar, 2024

本文提出了一种新的高效置信传播算法 Sinkhorn belief propagation (SBP)，用于基于大量个体生成的聚合数据的概率图模型的推断问题。该算法基于最优传输理论并具有全局收敛保证，特别适用于隐马尔可夫模型的情况。

Mar, 2020