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

研究图模型中 “信念传播” 的收敛性及其在 Ising 模型中的应用。

May, 2019

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

本文研究了在众包标注过程中，利用 Dawid-Skene 模型恢复错误标注并输出正确标注问题，提出了一种更紧密的下限和 Belief Propagation （BP） 算法来解决这一问题。实验结果表明，BP 是所有算法中最优的。

Feb, 2016

本文提出了一种低复杂度的信念传播算法 —— 随机信念传播（SBP）算法，该算法是一种自适应随机的 BP 信息传递版本，其信息传递减少了计算复杂度和通讯复杂度，并在各种图形模型中证明了收敛性和计算复杂度降低的理论格局。

Nov, 2011

通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

Sep, 2022

本研究证明了置信传播算法在容量约束最小费用网络流问题上的全多项式运行时间，还证明了算法的随机逼近方案，这提供了理论依据支持置信传播算法成为解决一类重要的优化问题的有吸引力的方法。

Apr, 2010

探讨了如何在异步传播中安排消息以实现更快且更频繁地达到固定点，并通过提出残留置信传播（RBP）算法来解决此问题，该算法相对于现有方法在多种挑战性的合成和实际问题中具有更高的收敛率和更短的收敛时间。

Jun, 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

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