Circular Belief Propagation for Approximate Probabilistic Inference

信念传播（BP）是一种简单的概率推断算法，它通过在代表概率分布的图节点之间传递信息来实现。它与神经网络的类比表明，它可能在神经科学和人工智能方面具有广泛的应用。不幸的是，它只在无环图中应用时是精确的，这限制了算法的潜力。在本文中，我们提出了循环信念传播（CBP），它是BP的扩展，通过学习检测和取消虚假相关性和信念放大来限制由循环引起的信息回声的有害影响。我们在涉及二进制概率图的数值实验中表明，CBP远远优于BP，并达到了与先前提出的算法相比的良好性能。

论文提出了Circular Belief Propagation (CBP)算法，旨在解决Belief Propagation (BP)算法在有环图上的精度问题。该算法的目的是检测和取消虚假相关性和信念放大，从而提高BP算法的性能。

CBP算法是通过学习来检测和取消有环图中的错误信息传递，从而提高BP算法的精度。与BP算法相比，CBP算法在处理带有环的概率图时表现更好。

论文通过实验表明，CBP算法在处理带有环的概率图时表现比BP算法更好，达到了先前提出的算法的性能水平。论文还提出了一些值得关注的问题，如算法的可扩展性和对大规模概率图的适用性。

近期的相关研究包括：1. Learning Loopy Graphical Models，2. Loopy Belief Propagation for Approximate Inference: An Empirical Study，3. Belief Propagation in the Presence of Unknown Graphs。