- 带有一些未知因子的提升因子图
使用代表不可区分对象的提升技术，本文研究了在概率图模型中如何有效地进行查询回答并保持精确答案；引入了 LIFAGU 算法以识别包含未知因子的因子图中对称子图，并实现已知势能向未知势能的传递，以确保良定义语义并进行（提升的）概率推断。
- 一个用于协同多智能体系统的信任因子图模型
该研究通过引入因子图的新图形方法，揭示了多智能体系统中代理之间的行为和可信度关系，并提出了一种分散式评估可信度的方法，以考虑接近安全、一致性和合作等关键因素，验证了该方法在无信号交叉口中自主导航的模拟和实证测试中的有效性。
- 使用因子图对经过训练的深度神经网络进行不确定性传播
预测不确定性估计是一个具有挑战性的问题，阻碍了深度神经网络在安全关键应用中作为子系统的使用。我们通过将不确定性传播视为非线性优化问题，采用因子图的方法，观察到在大部分实验中（包括三个数据集和两种神经网络架构），相较于以前的工作，在性能方面取 - 基于扩散的组合连续约束求解器
介绍一种学习解决连续约束满足问题（CCSP）的方法，在机器人推理和规划中应用。该方法通过将问题表示为因子图，并结合经过训练的扩散模型的能量来获得 CCSP 的全局解。Diffusion-CCSP 对已知约束的新组合表现出强大的泛化能力，并可 - 实现合成主动推论代理，第二部分：变分信息更新
该论文使用消息传递的方法，在因子图上最小化了主题中的自由能而产生了人工智能的行为。
- 受挫系统上的局部消息传递
基于数据驱动优化的替代消息传递算法，可在环形图上实现更好的表现和性能，适用于各种科学领域，并且还开发了一种新型损失函数以实现无监督训练。
- 基于集合类型置信传播的应用于地图绘制、多目标跟踪、同步定位与制图和分布式任务分配
本文开发了用于集合类型随机变量的信念传播规则，并提出了存在随机元素和基数的集变量节点的因子图，将该方法应用于同时定位和地图制图中，并证明了提出的方法相较于标准的信念传播方法在性能上有更好的表现。
- 离散连续平滑与映射
DC-SAM 是一种计算机图形模型求解库，能够在离散和连续水平上寻找最大后验估计，应用于机器人感知应用中包括鲁棒的姿态图优化和基于对象的建图与定位，通过在离散和连续变量之间交替优化实现近似推理。
- PGMax: JAX 环境中用于离散概率图模型的因子图和循环置信传播算法
PGMax 是一个基于 Python 开发的开源软件包，可用于轻松说明离散概率图模型（PGMs）作为因子图，并自动运行使用 JAX 中的高效可伸缩的环形置信传递（LBP），同时支持通用因子图和可计算因子，并利用现代加速器如 GPU 实现推断 - ICML用无向神经网络模拟结构
该论文提出了一种灵活的框架，将因子图和神经网络的代表性强项结合起来，形成了一种能够在任何顺序下执行计算的不定向神经网络（UNNs），并证明了 UNNs 体系结构的有效性，包括树约束依赖关系分析、卷积图像分类和序列完成等任务。
- ICML稀疏结构预测的可微松弛优化：LP-SparseMAP
本文介绍了 LP-SparseMAP，这是 SparseMAP 的一个扩展，它通过本地多面体松弛来解决 SparseMAP 的一个限制。LP-SparseMAP 使用因子图的领域特定语言来定义和回溯任意隐藏结构，支持粗分解，硬逻辑约束和高阶 - ICML针对有板因子图的张量变量消除
通过将无向因子图推广为 plated factor graphs 并将变量消除推广为在 plated factor graphs 上直接操作的张量变量消除算法，实现了对一类机器学习算法进行高效张量代数运算的能力。同时，将 tree widt - NIPS对抗消息传递用于图形模型
本文提出了将生成式对抗网络（GANs）视为隐式模型的一种方法，基于生成器和判别器的相互作用弱化了显式的似然值评估，从而在有向无环图的结构模型中实现了贝叶斯后验推理和模型学习。
- 基于流形的预积分实时视觉惯性里程计
本文提出了一种视惯性里程计预积分理论，通过相对运动约束将惯性测量融入视觉采样流程中，改善了实时状态估计问题，并在实际和模拟数据集上进行了广泛评估，表明该方法比现有的方法更有效。
- Sum-Product 算法收敛的充分条件
本文使用多项式计算复杂度的条件，证明了 Sum-Product 算法（也称为环形置信传播或简单置信传播）收敛于唯一的固定点，适用于任意因子图，包括含有零因子的情况，在二元变量有交互作用的情况下还导出了新的足够条件，证明了其优于现有的一些条件