用于图上重加权随机动力学的矩阵乘积置信传播

图上的随机过程可描述从神经活动到传染病传播的大量现象。尽管许多现有方法能准确描述此类过程的典型实现，计算极罕见事件的性质却是一项艰巨任务。在递归模型（变量可能返回先前访问状态）的情形中尤为如此。此处，我们基于矩阵乘积空腔方法，从两个方向对其进行根本性扩展：首先，我们展示如何将其应用于被任意重加权因子偏置的马尔可夫过程，这些因子将大部分概率质量集中于罕见事件。其次，我们引入一种高效方案，将单个节点更新的计算成本从节点度数的指数级降至多项式级。考虑了两个应用：在 SIRS 传染病模型内从稀疏观测推断感染概率，以及计算若干动力学伊辛模型的典型可观测量与大偏差。