量子科技中心_量科网

为了减少环路对信念传播（BP）的破坏性影响，近期研究者提出了首个针对网络的广义BP显式版本——KCN方法。尽管该方法取得了一定成功，但其计算资源利用效率较低。这种低效会迅速导致该方法的精确应用变得不可行，因为其时间复杂度会随环路数量呈指数级增长。例如在树状网络中，KCN方法虽然相较于BP不会带来任何精度优势，但其时间复杂度仍会随节点度数指数级增长。为解决这些问题，该研究团队在此提出了一种新的广义BP方案——NIB方法，该方法仅在需要处理网络相关性时才会消耗计算资源。研究证明，对于仅含短环路的网络，NIB方法具有精确性和最优性，并量化了其相较于KCN方法的时间复杂度降低幅度。若网络同时存在长环路，两种方法都将转为近似计算。在此情境下，研究人员对比了两种方法的关联性，并展示了如何在二者之间进行插值，从而获得一个能在精度与复杂度之间灵活权衡的广义BP算法家族。最后，在计算两个人工网络的配分函数时，该工作发现近似KCN方法与NIB方法具有良好的一致性。