Belief propagation (BP) is a popular method for performing probabilistic inference on graphical models. In this work, we enhance BP and propose self-guided belief propagation (SBP) that incorporates the pairwise potentials only gradually. This homotopy continuation method converges to a unique solution and increases the accuracy without increasing the computational burden. We provide a formal analysis to demonstrate that SBP finds the global optimum of the Bethe approximation for attractive models where all variables favor the same state. Moreover, we apply SBP to various graphs with random potentials and empirically show that: (i) SBP is superior in terms of accuracy whenever BP converges, and (ii) SBP obtains a unique, stable, and accurate solution whenever BP does not converge.

翻译：信仰传播( BP) 是一种对图形模型进行概率推论的流行方法。 在这项工作中,我们加强了 BP, 并提议自我引导的信仰传播( SBP), 将双向潜力逐渐纳入其中。 这种同质延续方法会趋同于一种独特的解决方案,提高准确性,同时又不增加计算负担。 我们提供正式分析, 以证明 SBP 在所有变量都倾向于相同状态的具有吸引力的模型中找到贝斯近似的全球最佳。 此外, 我们对所有具有随机潜力的图表应用了 SBP, 实验性地表明:(一) 在BP 汇聚时, SPBP 在准确性方面处于优势, 以及 (二) 在BP 无法趋同时, SBP 获得一个独特、稳定和准确的解决方案。