基于置信传播的图模型推理算法研究综述.docVIP

基于置信传播的图模型推理算法研究综述

一、置信传播算法的核心原理与基础框架

置信传播（BeliefPropagation,BP）本质是一种在图模型上进行边际概率计算的消息传递机制，其核心思想是通过节点间的迭代消息交互，将局部信息逐步扩散至整个图结构，最终收敛得到各随机变量的边际分布。该算法最早由Pearl于1982年针对树状贝叶斯网络提出，在无环图结构下可通过有限次迭代得到精确的边际概率，其计算复杂度仅与图的边数呈线性关系，显著低于传统的联合概率枚举方法。

标准置信传播的计算过程包含三个核心步骤：首先是消息初始化，每个节点根据自身的观测证据初始化局部置信度，无观测节点的初始置信度设为均匀分布；其次是迭代消息传递，每个节点将自身接收到的所有消息与局部势函数结合，计算出传递给相邻节点的消息，消息传递顺序可采用并行更新或异步更新策略；最后是置信度计算，当消息迭代收敛后，每个节点的边际分布由自身局部势函数与所有接收到的消息乘积归一化得到。对于离散随机变量，消息的计算遵循乘积-求和规则：节点i传递给相邻节点j的消息m_{i→j}(x_j)等于对节点i的所有可能状态x_i，将节点i的局部势函数ψ_i(x_i)、节点i与j的边势函数ψ_{ij}(x_i,x_j)与节点i接收的除j之外其他邻居的消息乘积求和的结果。

在连续变量场景下，置信传播可扩展为高斯置信传播（GaussianBP），此时