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

本研究探讨了基于限制推理的参数化近似传递消息方案，这些方案受 Pearl 的信仰传播算法（BP）启发。算法 IJGP 属于广义信仰传播算法的类别，并在几类网络上得出比 mini-clustering 和信仰传播以及其他一些先进算法更好的表现。

Jan, 2014

研究了一种计算 Markov 随机场上最大后验概率的最优配置的方法，通过将原始分布分解为树形分布的凸组合来得到上限，提出了两种尝试获得紧密上限的方法，并建立了模式搜索问题 LP 松弛和最大乘积（最小和）消息传递算法之间的联系。

Aug, 2005

该论文提出了一种基于广义置信传播算法的聚类算法，将信息传递应用于加入图而不是加入树，称为迭代加入图传播。该方法在多种问题类别上表现出更高的时间效率和更高的准确度。

Dec, 2012

使用双重消息传递算法对线性规划进行松弛，通过迭代选择具有保证改进的集群，解决集群选择问题，成功地在蛋白质侧链放置、蛋白质设计和立体化问题中找到了最有可能的 MAP 配置。

Jun, 2012

该论文针对运动分割中的局限性提出了一种基于超图的最小成本量切割方法和相应的启发式算法，准确构建出点轨迹的高阶图形模型，以更好地区分运动模型的不同变换，结果在 FBMS-59 数据集上表现优于现有技术。

Apr, 2017

本文针对图像模型的边缘 MAP 问题，提出了一种变分框架，运用 Bethe、tree-reweighted、mean field 逼近等方法得出 mixed message passing algorithm 和使用 CCCP 解决 BP-type 逼近的算法，并在实验中证明了我们的算法优于相关方法。此外，本文还表明 EM 和 variational EM 组成我们框架的一个特殊情况。

Feb, 2012

提出了一种新的基于图分割技术的上界方法（PUB），用于最大 s - 束问题（MBP）的精确算法中，同时使用初始下界和上界对图进行预处理和分支剪枝。通过与其他 BnB MBP 算法的实验证明了该算法的显著进展。

Feb, 2024

本文提出了一种基于拓扑序的混合整数规划模型与迭代算法，来解决带有有向图中非循环约束的优化问题。模型具有较少的约束条件且使用了梯度下降和迭代重新排序等方法。该方法在高斯贝叶斯网络学习问题中进行了计算实验，用于在生物信息学中推断基因网络

Jan, 2017

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