Some Complexity Considerations in the Combination of Belief Networks
University of Southern California（南加州大学）
在知识库系统研究界，一个可能引起越来越多注意的主题是协调多位专家提供的信息。我们设想的情况下，几个专家独立编码的信息作为信念网络。然后，潜在的用户必须协调这些网络的结论和建议，以取得某种共识。达成这种共识的一种方法是在考虑任何案例特定数据（特定观察，测试结果）之前，将贡献的网络融合到单个共识模型中。这种方法需要两种类型的组合过程，一种用于概率，一种用于图。由于概率的组合是相对好理解的，这种方法的关键障碍在于图论领域。本文提供了一些必要的操作，以实现必要的图形组合的正式定义，并提供了这些程序的复杂性分析。本文的主要结果是，这些操作大多数是NP难的，其主要信息是，推导？好吗？共识网络必须以经验主义的方式进行。
2013-03-06 cs.AI
PGMax: Factor Graphs for Discrete Probabilistic Graphical Models and Loopy Belief Propagation in JAX
DeepMind（深度思维）；Massachusetts Institute of Technology（麻省理工学院）
PGMax是一个开源Python包，用于（a）轻松地将离散概率图形模型（PGM）指定为因子图;以及（b）在JAX中自动运行高效和可扩展的循环置信传播（LBP）。PGMax支持具有易处理因子的一般因子图，并利用GPU等现代加速器进行推理。与现有的替代方案相比，PGMax获得了更高质量的推理结果，推理时间加速高达三个数量级。PGMax还与快速增长的JAX生态系统无缝交互，开辟了新的研究可能性。我们的源代码、示例和文档可以在https://github.com/deepmind/PGMax上找到。
2023-03-24 cs.AI cs.LG stat.ML
BP-Seg: A graphical model approach to unsupervised and non-contiguous text segmentation using belief propagation
LinkedIn Corporation（领英公司）
本文提出基于置信传播的图模型无监督文本分割方法BP-Seg，兼顾局部连贯性与远距离语义相似性，实验验证其优于现有方法。
2025-09-25 cs.AI cs.CL cs.LG
Exploiting Vagueness for Multi-Agent Consensus
University of Bristol（布里斯托大学）
共识建模的框架介绍了使用Kleene的三值逻辑作为一种手段来表达代理人的信念的一致性。显式边界格是涉及模糊概念的命题所固有的，其中命题语言的句子可能是绝对真的，绝对假的或边界的。通过利用这些中间真值，我们可以允许代理人对底层概念采取更模糊的解释，以削弱他们的信念并减少不一致的程度，从而达成共识。我们认为，一个共识的组合操作，其结果是在代理采用的边缘真理值作为一个共同的观点，如果他们是在直接冲突。模拟实验表明，应用该算子从人口中随机选择的代理（一致性阈值），最初不同的意见，结果收敛到一个更小的一组更精确的共享信念。此外，如果选择的代理组合是依赖于他们的信念的回报，这作为一个代理的性能或有用性，然后系统收敛到信念，平均而言，有较高的回报。
2016-09-20 cs.AI cs.MA
Learning General Latent-Variable Graphical Models with Predictive Belief Propagation
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
学习一般潜变量概率图模型是机器学习和人工智能的一个关键理论挑战。所有以前的方法，包括EM算法和谱算法，面临着严重的限制，在很大程度上限制了它们的适用性，并影响其性能。为了克服这些局限性，在本文中，我们介绍了一种新的配方的消息传递推理连接树命名为预测的信念传播，并提出了一个新的学习和推理算法的基础上，这种配方的一般潜变量图形模型。该算法将硬参数学习问题简化为一系列监督学习问题，并将不同类型的隐图模型的学习统一到一个无局部最优和统计一致的学习框架中.然后，我们给出了我们的算法的正确性的证明，并在合成和真实数据集上的实验表明，我们的算法显着优于EM算法和谱算法，同时也是数量级更快的计算。
2019-11-28 cs.AI cs.LG stat.ML
Evidence Propagation and Consensus Formation in Noisy Environments
University of Bristol（布里斯托尔大学）；Otto von Guericke University Magdeburg（奥托·冯·格里克大学马格德堡分校）
我们研究了多智能体系统中的共识形成的有效性，其中既有基于直接证据的信念更新，也有智能体之间的信念组合。特别是，我们考虑的情况下，人口的代理合作的最好的n的问题，其目的是达成共识，这是最好的（或者，真正的）状态之间的一组状态，每个具有不同的质量值（或证据水平）。代理人的信念表示在Dempster-Shafer理论的质量函数，我们调查的宏观层面的属性四个著名的信念组合运营商的多智能体共识形成问题：Dempster的规则，Yager的规则，Dubois和普拉德的运营商和平均运营商。考虑了算子的收敛性，并针对不同的证据率和噪声水平进行了仿真实验。结果表明，直接证据的更新和信念的组合代理之间的结果更好的共识，以最佳状态比单独的证据更新。我们还发现，在这个框架中的运营商是强大的噪音。广泛地说，Yager的规则被证明是更好的运营商在各种参数值，即收敛到最佳状态，鲁棒性噪声，和可扩展性。
2020-01-20 cs.AI cs.MA
Consensus Propagation
我们提出了共识传播，一个异步的分布式协议，平均数在网络上。我们建立收敛性，特征的收敛速度为正规图，并证明该协议具有更好的缩放性能比成对平均，一种替代方案，最近受到了广泛的关注。共识传播可以看作是一个特殊的情况下，信念传播，我们的研究结果有助于信念传播文学。特别是，除了单连通图之外，很少有几类相关问题的置信传播是收敛的。
2007-05-29 cs.AI cs.IT cs.NI
Understanding the Behavior of Belief Propagation
Graz University of Technology（格拉茨技术大学）
概率图模型是建模高维分布的一个强大的概念。除了对分布建模之外，概率图模型还为执行统计推断提供了一个优雅的框架;然而，由于高维性质，人们必须经常使用近似方法来实现这一目的。信念传播执行近似推理，是有效的，并回顾了一个很长的成功故事。然而，在大多数情况下，信念传播缺乏任何性能和收敛保证。许多现实的问题，提出了图形模型与循环，但是，在这种情况下，既不能保证置信传播提供准确的估计，也不能保证它收敛。本文研究了模型参数对置信传播性能的影响。我们特别感兴趣的是它们对（i）不动点的数目，（ii）收敛性，和（iii）逼近质量的影响。
2022-09-05 cs.AI cs.LG stat.ML
Counting Belief Propagation
Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；University of Wisconsin（威斯康星大学）
图形模型的一个主要好处是，大多数知识都可以在模型结构中捕获。然而，许多模型产生的推理问题，有很多对称性没有反映在图形结构中，因此不能利用有效的推理技术，如信念传播（BP）。在本文中，我们提出了一个新的和简单的BP算法，称为计数BP，利用这种额外的对称性。从一个给定的因子图开始，计数BP首先构建一个压缩的clusternodes和clusterfactors的因子图，对应于给定证据不可区分的节点和因子集。然后在压缩后的图上运行一个修改后的BP算法，这相当于在原始因子图上运行BP。我们的实验表明，计数BP适用于各种重要的人工智能任务，如（动态）关系模型和布尔模型计数，并且可以获得显着的效率提高，通常是数量级。
2012-05-09 cs.AI
Harnessing Collective Intelligence Under a Lack of Cultural Consensus
Stevens Institute of Technology（史蒂文斯理工学院）；The School of Business（商学院）
本文提出非参数贝叶斯模型iDLC-CCT，通过潜在构念连接深度神经网络嵌入与群体共识信念，解决文化共识理论难以泛化、无法利用外部知识及稀疏数据失效的问题，并在多领域验证其预测共识、泛化与稀疏数据下的有效性。
2023-09-19 cs.AI cs.LG
Approximate inference on planar graphs using Loop Calculus and Belief Propagation
Radboud University Nijmegen（奈梅亨拉德堡德大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
我们介绍了新的结果近似推理平面图形模型使用循环演算框架。循环演算（Chertkov和Chernyak，2006 b）允许将图形模型的精确分区函数Z表示为有限项和，一旦置信传播（BP）解已知，就可以对其进行评估。一般来说，对所有校正项的完全求和是难以处理的。我们为Chertkov等人（2008）中提出的方法开发了一种算法，该算法代表了平面图上的有效截断方案和矩阵Pfirmans级数的新表示。我们详细分析了循环系列和Pfweian系列的二进制变量和成对相互作用的模型，并表明Pfweian系列的第一项可以提供非常准确的近似。该算法优于以前的截断计划的循环系列和竞争力与其他国家的最先进的近似推理方法。
2014-08-09 cs.AI
An Algorithm for Finding Minimum d-Separating Sets in Belief Networks
Universidad de Granada（格拉纳达大学）
在有向无环图（dags）中，检验图的独立性常用的准则是著名的d-分离准则。它允许我们以信念网络的形式构建依赖模型（通常是概率依赖模型）的图形表示，这使得独立关系的解释和管理变得可能，而无需参考数值参数（条件概率）。本文研究了如下组合问题：求dag中两个结点的最小d-分离集。这个集合将表示防止这两个节点相互影响所需的最小信息（在最小变量数量的意义上）。这个基本问题的解决方案和它的一些扩展可以在几个方面是有用的，我们将在后面看到。我们的解决方案是基于一个两步的过程：首先，我们减少了原来的问题，找到一个最小的分离集在一个无向图中的一个简单的，第二，我们开发了一个算法来解决它。
2013-02-13 cs.AI
Consensus Message Passing for Layered Graphical Models
MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；Microsoft Research（微软研究院）
生成模型为概率推理提供了一个强大的框架。然而，在许多领域，它们的使用受到推理的实际困难的阻碍。这在计算机视觉中尤其如此，其中成像过程的模型往往是大的、多环的和分层的。由于这个原因，自下而上的条件模型传统上在这些领域占主导地位。我们发现，广泛使用的，通用的消息传递推理算法，如期望传播（EP）和可变消息传递（VMP）失败的最简单的视觉模型。考虑到这些模型，我们引入了一个修改的消息传递，学会利用他们的分层结构通过传递“共识”的消息，引导推理走向好的解决方案。对各种问题的实验表明，所提出的技术导致更准确的推理结果，不仅与标准EP和VMP相比，而且与竞争性自下而上的条件模型相比。
2015-01-26 cs.AI cs.CV cs.LG
Exactness of Belief Propagation for Some Graphical Models with Loops
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
众所周知，定义在树上的统计推断的任意图形模型，即在没有回路的图上，通过迭代置信传播（BP）算法收敛到所谓的Bethe自由能泛函的唯一最小值来精确和有效地求解。对于循环图上的一般图形模型，泛函可能显示多个最小值，迭代BP算法可能收敛到其中一个最小值或可能根本不收敛，并且Bethe自由能泛函的全局最小值不能保证对应于零温度极限中的最优Maximum-Likestive（ML）解。然而，这个一般规则也有例外，在\cite{05KW}和\cite{08BSS}中在两个不同的上下文中讨论，其中BP算法的零温度版本为具有循环的图上的特殊模型找到ML解决方案。这两个模型共享一个关键功能：它们的ML解决方案可以通过具有全Uni模块（TUM）约束矩阵的有效线性规划（LP）算法来找到。推广这两个模型，我们考虑一类图形模型可减少在零温度限制LP与TUM约束。假设一个gedanken算法，g-BP，资金的Bethe自由能的全球最小值是可用的，我们表明，在零温度的限制g-BP输出ML解决方案。我们的考虑是基于在$T\to 0$极限中的图形模型的无间隙线性规划（LP）松弛与Bethe-Free能量最小化的相应LP版本之间建立的等效性。
2008-09-02 cond-mat.other cond-mat.stat-mech cs.AI
Learning unbelievable marginal probabilities
University of Rochester（罗切斯特大学）；Columbia University（哥伦比亚大学）
Loopy belief propagation在具有循环的图形模型上执行近似推理。人们可能希望通过调整模型参数来补偿近似值。用于此目的的学习算法以前已经探索过了，并且已经声称每一组局部一致的边缘都可以从在图形模型上运行的置信传播中产生。相反，在这里，我们表明，许多概率分布的边际不能通过使用任何一组模型参数或任何学习算法的信念传播。我们称这种边缘化为“难以置信”。只要贝特自由能的海森函数在目标边缘不是正定的，就会出现这个问题。所有用于信念传播的学习算法在这些情况下必然失败，产生甚至可能比预学习近似更差的信念或信念集。然后，我们表明，平均不准确的信念，每个信念传播使用模型参数扰动一些学习的平均值，可以实现令人难以置信的边际。
2011-06-02 cs.AI cs.LG
Representing Aggregate Belief through the Competitive Equilibrium of a Securities Market
University of Michigan AI Laboratory（密歇根大学人工智能实验室）
我们考虑的问题的信念聚合：给定一组个体代理的概率信念在一组不确定的事件，制定一个明智的共识或聚合概率分布在这些事件。研究人员提出了许多聚合方法，尽管在哪个是最好的问题上，普遍的共识是没有共识。我们开发了一个基于市场的方法来解决这个问题，代理人押注于不确定的事件，通过购买或出售证券的结果。每个代理人在市场中的行为，以最大限度地提高预期效用在给定的证券价格，其活动仅限于自己的风险厌恶。在这个市场中，商品的均衡价格代表了总体信念。对于具有恒定风险厌恶的代理，我们证明了总概率具有几个理想的性质，并且与独立激励的技术有关。我们认为，基于市场的方法提供了一个可信的机制，相信聚集在多智能体系统，因为它直接解决了自我激励的代理人的参与和真实性的激励，并可以提供一个决策理论基础的“专家权重”经常采用集中池技术。
2013-02-06 cs.AI cs.GT q-fin.GN
Consensus in Motion: A Case of Dynamic Rationality of Sequential Learning in Probability Aggregation
1 Department of Statistics, Ludwig-Maximilians-Universität München\ 2 School of Computing \& Communication, Lancaster University Leipzig \ 3 Munich Center for Mathematical Philosophy, Ludwig-Maximilians-Universität München Correspondence
本文提出基于命题概率逻辑的概率聚合框架，解决动态理性问题，证明非嵌套议程上共识兼容且独立的聚合规则必为线性，给出公平学习条件并通过示例说明，保证序贯决策中集体信念更新一致性。
2025-08-26 cs.AI
Interpretable Deep Learning for Stock Returns: A Consensus-Bottleneck Asset Pricing Model
Department of Industrial and Management Engineering, POSTECH（POSTECH工业与管理工程系）；Graduate School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院）；Korea University Business School（韩国大学商学院）
本文提出共识-瓶颈资产定价模型，通过将分析师共识作为结构性瓶颈，提升模型预测准确性并锚定经济可解释驱动因素，发现基于该模型的组合具有稳健的收益梯度。
2026-04-24 cs.AI cs.LG q-fin.PR
A Generalized Loop Correction Method for Approximate Inference in Graphical Models
University of Alberta（阿尔伯塔大学）
置信传播（BP）是概率图模型中最流行的推理方法之一。BP保证为树结构返回正确的答案，但对于循环图形模型可能不正确或不收敛。近年来，提出了几种新的基于空腔分布的近似推理算法。这些方法可以通过合并BP消息之间的依赖性来考虑循环的影响。或者，基于区域的近似（导致诸如广义置信传播的方法）通过考虑变量的小集群内的相互作用来改进BP，从而将这些集群内的小循环考虑在内。本文介绍了一种方法，广义环路校正（GLC），受益于这两种类型的环路校正。我们展示了GLC如何与这两个家庭的推理方法，然后提供经验证据表明，GLC有效地工作在一般情况下，可以显着更准确的校正方案。
2012-06-18 cs.AI cs.LG stat.ML
People will agree what I think: Investigating LLM's False Consensus Effect
Chung-Ang University（中央大学）
本文通过两项研究考察大语言模型中的虚假共识效应，发现流行LLMs普遍存在该认知偏差，并揭示了不同提示风格下FCE增强或减弱的具体条件。
2025-02-08 cs.AI cs.CL cs.HC
Coherence-Driven Belief Formation and Population Dynamics of Contagion in LLM Agents
Takeda Pharmaceuticals（武田制药）；Northeastern University（东北大学）
本研究实证测量LLM智能体的信念采纳，发现其呈S形复杂传染特征，阈值受主张合理性、来源可靠性和智能体倾向影响，可归约为一致性维度，且在聚类网络上传播更广，共识难以消除。
2026-10-05 cs.AI cs.MA cs.SI
BGC: Multi-Agent Group Belief with Graph Clustering
Beijing Institute of Technology（北京理工大学）；Boston University（波士顿大学）
近年来，基于价值分解的多智能体强化学习方法在协调任务中取得了很好的效果。大多数现有的方法假设智能体可以进行通信以辅助决策，这在某些情况下是不切实际的。在本文中，我们提出了一种半通信的方法，使代理可以交换信息，而无需通信。具体来说，我们引入了一个组的概念，以帮助代理学习的信念，这是一种共识。有了这种共识，相邻的智能体倾向于完成类似的子任务，以实现合作。我们设计了一个新的代理结构命名为图聚类的信念（BGC），由一个代理的特征模块，一个信念模块，和一个融合模块。为了表示每个代理特征，我们使用基于MLP的特征模块来生成代理的唯一特征。受邻域认知一致性的启发，我们提出了一个基于组的模块，将相邻的智能体划分为一个小组，并最小化组内智能体的信念，以完成类似的子任务。最后，我们使用一个超网络合并这些功能，并产生代理的行动。为了克服GAT带来的Agent一致性问题，引入了一种分割损失来区分不同的Agent。结果表明，该方法取得了显着的改善，在SMAC基准。由于组的概念，我们的方法保持良好的性能与代理数量的增加。
2021-06-03 cs.AI cs.LG
Knowledge Combination in Graphical Multiagent Model
University of Michigan（密歇根大学）
图形多智能体模型（GMM）表示一组智能体行为的联合分布。关于代理行为的知识来源之一可能来自博弈论分析，如近年来开发的几种图形游戏表示所捕获的。基于博弈描述或其他与代理行为信念相关的知识来源，Gyndle将这种方法推广到表达任意分布。为了说明的灵活性，我们展示了游戏衍生的模型，允许概率偏离均衡，以及模型的基础上启发式的行动选择。我们研究了三种不同的方法，这些模型集成到一个单一的模型，代表组合的知识源。为了评估组合模型的预测性能，我们将强化学习过程产生的行为视为实际结果。我们发现，结合两个知识来源，使用任何方法，提供更好的预测比任何一个单独的来源。在组合方法中，混合数据优于本实证试验中研究的意见库和直接更新方法。
2012-06-13 cs.AI
Message Scheduling for Performant, Many-Core Belief Propagation
School of Computing University of Utah（犹他大学计算学院）
置信传播（BP）是一种用于概率图模型（PGMs）上的近似推理的消息传递算法，在计算机视觉、纠错码和蛋白质折叠等领域有着广泛的应用。虽然一般，算法的收敛性和速度限制了其在困难的推理问题上的实际应用。众核图形处理单元（GPU）作为一种高度并行化的算法，可以显著提高BP算法的性能。通过众核系统改进BP是不平凡的：算法中消息的调度强烈影响性能。我们提出了一个BP在GPU上的消息调度的研究。我们证明，BP表现出的速度和收敛之间的权衡并行性的基础上，并表明现有的消息处理不能够利用这种权衡。为此，我们提出了一种新的随机消息调度方法，随机BP（RnBP），它优于现有的方法在GPU上。
2019-09-24 cs.AI cs.CV cs.DC
Valuation Networks and Conditional Independence
University of Kansas（堪萨斯大学）
估值网络已经被提出作为基于估值的系统（VBS）的图形表示。VBS框架能够捕获许多不确定性演算，包括概率论，Dempster-Shafer的信念函数理论，Spohn的认知信念理论和Zadeh的可能性理论。在本文中，我们展示了估值网络如何编码条件独立关系。对于概率情况，由估值网络编码的概率模型的类别包括无向图模型、有向无环图模型、有向气球图模型和递归因果图模型。
2013-03-06 cs.AI
MAP Estimation, Linear Programming and Belief Propagation with Convex Free Energies
在一般的图形模型中找到最可能的分配（MAP）是NP困难的，但是用最大乘积置信传播（BP）及其变体已经获得了很好的近似。特别是，它是已知的，使用BP单圈图或树加权BP上的任意图将给MAP解决方案，如果信念没有领带。在本文中，我们扩展的设置下，BP可以用来证明提取MAP。我们定义凸BP BP算法的基础上凸自由能近似，并表明这类包括普通BP单循环，树重BP和许多其他BP变种。我们表明，当没有领带，凸最大乘积BP的不动点将证明给MAP解决方案。我们还表明，凸和产品BP在足够小的温度下，可以用来解决线性规划所产生的放松MAP问题。最后，我们推导出一个新的条件，使我们能够推导出MAP解决方案，即使一些凸BP信念有联系。在实验中，我们表明，我们的定理使我们能够找到地图在许多现实世界中的图形模型的情况下，使用连接树的精确推理是不可能的。
2012-06-20 cs.AI cs.LG stat.ML
Networks of Influence Diagrams: A Formalism for Representing Agents' Beliefs and Decision-Making Processes
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Harvard School of Engineering and Applied Sciences（哈佛大学工程与应用科学学院）
本文介绍了网络的影响图（NID），一个紧凑的，自然的和高度表达的语言推理代理的信念和决策过程。NID是一种图形结构，其中代理的心智模型被表示为网络中的节点;代理的心智模型本身可以使用其他代理的心智模型的描述。NID的例子证明，显示它们如何可以用来描述冲突和循环的信念结构，以及某些形式的有限理性。在对手建模领域，NID能够胜过其他计算代理，其策略事先不知道。NID在表示上等同于贝叶斯博弈，但它们比这种形式主义更紧凑和结构化。特别是，NID的均衡定义明确区分了代理商的最优策略和它们在现实中的实际行为。
2014-01-15 cs.AI cs.GT
Investigation of commuting Hamiltonian in quantum Markov network
Azar Aytash Co.（阿扎尔·阿伊塔什公司）；University of Tabriz（大不里士大学）
图模型在物理学、生物信息学、电信等科学和工程领域有着广泛的应用。图模型的使用需要复杂的计算来评估边缘函数，因此有一些强大的方法，包括平均场近似、置信传播算法等。量子图模型最近在量子信息和计算的背景下得到了发展，和量子统计物理学，这是可能的推广经典概率论量子理论。本文的主要目的是将Markov网络作为一种图形模型初步推广到量子情形，并应用于量子统计物理中，我们以量子统计物理中的简单例子研究了Markov网络和交换Hamilton项在条件独立性中的作用。
2014-06-15 cs.AI quant-ph
Language-model groups overstate consensus when replaying human deliberation on a reasoning task
Waseda University（早稻田大学）
本研究通过回放人类Wason推理讨论，发现语言模型智能体群体在多种评分标准下均显著高估共识，且模拟共识不反映集体准确性，为评估模拟群体估计提供了评分明确的依据。
2026-09-18 cs.AI cs.CL cs.CY
Learning Bayesian Networks from Incomplete Databases
从数据库中学习贝叶斯置信网络（BBN）图形结构的贝叶斯方法都假设数据库是完整的，也就是说，没有条目被报告为未知。试图放宽这一假设涉及到昂贵的迭代法的使用，以区分不同的结构。本文介绍了一种确定性的方法来学习一个BBN的图形结构，从一个可能不完整的数据库。实验结果表明，该方法具有很强的鲁棒性，并且其执行时间与丢失数据的数量具有显著的独立性。
2013-02-06 cs.AI cs.LG
Higher-Order Belief in Incomplete Information MAIDs
University of Oxford（牛津大学）；Columbia University（哥伦比亚大学）；Imperial College London（伦敦帝国学院）
本文提出不完全信息多智能体影响图（II-MAIDs），建立其与无共同先验不完全信息扩展式博弈的等价关系，并基于递归最佳响应定义更现实的解概念，以建模智能体间的高阶信念差异。
2025-03-08 cs.AI cs.MA
The Linearization of Belief Propagation on Pairwise Markov Networks
Carnegie Mellon University（卡内基梅隆大学）
置信传播（BP）是一种广泛用于图形模型（如马尔可夫随机场（MRF））中精确概率推理的近似方法。然而，在具有循环的图中，BP的精确收敛保证一般是未知的。对于MRF中的所有边都具有相同的对称双随机势的情况，最近的工作提出了通过在默认值周围线性化更新方程来近似BP，这被证明对节点分类问题很有效。本文推广了以往的工作，并推导出一种方法，近似循环BP的任何成对MRF的问题，解决一个线性方程组。这种方法结合了精确的收敛保证和快速矩阵实现与异构网络建模的能力。在人工合成图上的实验表明，线性化方法对于弱势图具有与BP相当的标记精度，同时可以加快推理速度。
2016-12-27 cs.AI cs.LG cs.SI
Explainable Belief Harmonization under Dynamic Epistemic Partitions
Warsaw University of Technology（华沙技术大学）
研究多智能体信念组合中认知分区的运行时变化，提出结合回答集编程与Python的混合方法框架，能处理异构分辨率级别，保证可接受性、修复及解释完整性，经评估可实现完全违规检测和解释覆盖。
2026-07-24 cs.AI cs.LO cs.MA
Modeling Hawkish-Dovish Latent Beliefs in Multi-Agent Debate-Based LLMs for Monetary Policy Decision Classification
Osaka Metropolitan University（大阪市立大学）；Preferred Networks, Inc.
本文提出多智能体辩论式LLM框架，通过建模鹰派与鸽派隐含信念提升货币政策预测准确性，优于传统LLM基线。
2025-11-04 cs.AI cs.MA q-fin.CP
