本文旨在研究凸性自由能来直接逼近Bethe自由能，并表明所提出的逼近方法与最先进的凸自由能逼近方法相比具有优越性能。

May, 2012

通过在loopy belief propagation算法中建立Gibbs度量的依据，我们探讨了算法的收敛性并开发了易于测试的充分条件。收敛的失败意味着Gibbs规范的多相存在。这些结果为算法的机理提供了新的见解。

Dec, 2012

本研究提出了一种新的确定性逼近方法——“期望传播”，它将两种先前的技术统一起来，即卡尔曼滤波器的扩展和贝叶斯网络中一种置信传播方法的扩展；试图恢复一个近似分布，其KL散度接近真实分布，并且Experiments with Gaussian mixture models show Expectation Propagation to be convincingly better than methods with similar computational cost: Laplace's method, variational Bayes, and Monte Carlo。而期望传播还提供了一种高效的算法，用于训练贝叶斯点机分类器。

Jan, 2013

本文介绍了动态贝叶斯网络中的 Factor Frontier算法,描述了其与Loopy信念传播算法(简称LBP) 的循环迭代等价性，对水处理厂和高速公路交通模型进行了实证研究，发现通过迭代，LBP可以提高模型的准确度，适用于准确更新步骤不可行的情况。

Jan, 2013

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

本研究提出了一种基于粒子的Loopy Belief Propagation实现方法，它在连续状态空间上构建了适应性高效的提议分布，使用Expectation Propagation框架迭代更新参数，具有更优的效果和更少的计算代价。

Jun, 2015

本文研究了二阶不确定贝叶斯网络，提出了一种名为SOLBP的扩展Loopy Belief Propagation的方法，能够有效地计算模型不确定性并产生与sum-product网络相一致的推理结果。

Aug, 2022

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