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

我们提出了一种在高斯因子图中进行学习的方法，将所有相关的量（输入、输出、参数、潜变量）都视为随机变量，并将训练和预测视为具有不同观察节点的推理问题。我们的实验结果表明，这些问题可以通过信念传播（BP）进行高效求解，其更新在本质上是局部的，为分布式和异步训练提供了令人兴奋的机会。我们的方法可以扩展到深度网络，并提供了一种自然的方法进行连续学习：使用当前任务的 BP 估计参数边缘作为下一个任务的参数先验。在视频去噪任务中，我们展示了可学习参数相对于经典因子图方法的优势，并展示了深度因子图在 MNIST 连续图像分类上令人鼓舞的性能。

Nov, 2023

本文介绍了一种名为计数 BP 的新型 BP 算法，它利用了图模型中存在的对称性，通过构建压缩图模型的方式实现更高效的模型推理，在包括动态关系模型和布尔模型计数等多种人工智能任务中取得显著的效率提升。

May, 2012

本文提出了一种新的混合模型，将因子图神经网络与置信传播结合起来，通过每一次迭代交替地运行，从而在误差纠正编码任务方面优于置信传播。

Mar, 2020

本文提出了一种系统性的方式来对 naively 分配的因子图进行循环聚类，从而消除短路的影响，以提高 BP 算法在供应网络中的性能表现，实现了对供应网络中状态估计和优化问题的快速、可靠计算。

Mar, 2022

本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

Nov, 2019

通过利用高斯混合模型作为一位量化信号传导环境的通道分布的生成先验，我们提出了一种改进基于期望最大化算法的经典估计技术的方法，借此提高量化系统中通道估计的性能表现。数值结果表明，我们提出的方法相较于简单的高斯先验和当前最先进的通道估计器，具有显著的性能改进。此外，所提出的估计框架还能够适应更高分辨率系统和其他生成先验。

Apr, 2024

通过方法的块连续上界最小化（BSUM）算法，从以下数据中学习一个图并恢复信号：来自不完整的时间序列观测的图、未知的底层图模型及信号。这个算法在合成和真实时间序列的模拟结果中展示了图学习和信号恢复的性能。

Dec, 2023

使用 Bayes 优化进行模拟研究，成功开发出了一种低精度模拟转换器的多输入多输出（MIMO）接收机，该技术可用于实现具有大规模 MIMO 天线系统并减少成本和功耗。

Jul, 2015

该研究提出了一种基于高斯似然框架的有向无环图模型，用于联合建模观察数据和干预数据，以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计，从而改善了干预数据的部分可鉴别性，提供更紧密的因果效应推断。

Mar, 2013