本文研究了概率推断问题在分布式系统中的应用，提出了一种新的基于消息传递的算法，相较于传统的 sum-product 算法，该算法对节点故障和通信失效有更好的稳健性，且在网络拓扑复杂时具有更优的计算复杂度，并用传感器网络定标任务进行了实验验证。

Jul, 2012

本文系统研究了局部和 / 或全局最优解的收敛充分条件，提供了基于图覆盖的这些最优解的组合特征，并描述了一种新的收敛合理的消息传递算法，其推导统一了许多已知的收敛消息传递算法。

Feb, 2010

通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。

Dec, 2023

本文提出了结构化消息传递（SMP），这是一种统一的近似推理算法框架，它利用诸如代数决策图和稀疏哈希表等结构化表示。我们人为地引入特定上下文独立性和确定性，以充分利用结构化表示的威力。我们的新算法引入了一些有趣的偏差方差权衡，并通过实验评估了这些权衡，并证明它们比现有技术更准确、更可扩展。

Sep, 2013

本文研究特征装饰的图上节点分类问题，介绍了渐近局部贝叶斯最优性的概念，在满足一定统计数据模型下计算了优化分类器，并发现最优的消息传递图神经网络架构在低图信号的情况下与标准 MLP 架构相似，在高图信号的情况下与典型卷积架构相似，此外，对相关的非渐近理论进行了证明。

May, 2023

在约束满足问题（CSPs）的上下文中，我们将基于残差的更新步骤引入到消息传递算法中，解决了算法在迭代过程中产生的振荡问题，提高了算法的收敛性和在解决最优化问题时的成功率。

Feb, 2022

通过在节点特征的基础上传播节点的 One-hot 编码，以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数，我们提出了一种具有强大表达能力和等变性的消息传递框架，用于对图形网络进行建模，实验表明本模型可以更准确地预测合成数据上的图形拓扑性质，并在 ZINC 数据集的分子图回归任务中取得了最优结果。

Jun, 2020

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

本文研究了因子图框架在线性符号干扰通道上的符号检测应用，并提出了利用神经增强的策略来改善循环因子图基于符号检测算法的性能的方法。特别是，在因子图中应用神经置信传播可有效消除循环的影响。此外，我们还提出了对信道输出的线性预处理应用和优化，可以有效地改变底层因子图，从而显著提高检测性能并降低复杂性。

Mar, 2022

本研究考察了一种用于网络匹配问题的数学规划框架，以及其中的一种稀疏变体，并提出了一种新的消息传递算法，可快速高效地计算大规模网络匹配问题的近似解。我们与两个最佳解算器进行了广泛的模拟比较，其中包括两个合成匹配问题，两个生物信息学问题和三个大型本体匹配问题，包括具有已知标记匹配的多语种问题。

Jul, 2009