---
title: "信念傳播（Belief Propagation）"
slug: belief-propagation
language: zh-TW
source: https://aiterms.tw/terms/belief-propagation
updated_at: 2026-06-23
tags: [機器學習, 圖模型, 推論, 貝葉斯方法, 最優化]
ipas_term: false
---

# 信念傳播（Belief Propagation）

在圖模型上透過相鄰節點間訊息的迭代交換，計算邊際分布與進行機率推論的演算法。

## 完整說明

信念傳播（Belief Propagation，BP）是在概率圖模型（特別是樹狀或環狀結構）上進行機率推論的通用演算法。BP 的核心是相鄰節點間迭代交換訊息（message），每個節點根據來自鄰域的訊息與本身的觀測更新自身的信念（邊際後驗）。在樹狀結構上，BP 保證收斂至正確的邊際分布；在含環結構（環圖）上，BP 變為「迴圈信念傳播」（Loopy Belief Propagation），仍可用於近似推論，已被廣泛應用於機器學習、通訊編碼與計算機視覺。

## 常見問題

### 為什麼信念傳播中的訊息不能直接是邊際分布，而要經過複雜的遞迴計算？

訊息設計的巧妙之處在於局部化：訊息只編碼「通過某條邊邊界的資訊」，而不涉及整個圖。直接計算邊際分布 p(X_i|E)（E 是全局證據）需要邊際化所有其他變數，計算量指數級；BP 訊息的遞迴計算則能將這個複雜度分解為邊的操作，在樹狀結構上實現線性時間。訊息的定義 m_{i→j}(x_j) = ∑_{x_i} ψ(i,j) × ∏_{k≠j} m_{k→i} 看似複雜，但它利用了圖的因子分解結構，使得每個訊息只依賴相鄰節點的訊息，這種局部性正是 BP 高效的根源。

### 迴圈信念傳播為什麼有時候有效，有時候不收斂？

Loopy BP 的收斂性與圖的結構和因子強度有關。直覺上，若圖的環很多且環很短（大量強耦合），訊息在環中反覆傳播可能不斷改變，導致不收斂或收斂到不合理的值。但若環較少、因子較弱（節點相對獨立），訊息會逐漸穩定。實踐中，經驗是 Loopy BP 在許多實際問題（如影像降噪、推薦系統）上工作良好，儘管理論上沒有收斂保證。使用時建議：設定最大迭代次數避免無限循環；監控訊息變化判斷穩定性；對於關鍵應用可用接合樹保證精確性。有時 Loopy BP 的效果甚至超過理論上的最優（如 LDPC 碼解碼），這反映現實網路結構往往有特殊性質使 Loopy BP 有隱含的自糾正能力。

### 信念傳播和迴溯法（backtracking）搜尋有什麼不同？

兩者都是在圖結構上進行推論，但方向與目的不同。迴溯搜尋是確定性演算法，透過逐步分配變數值，同時檢查約束條件是否滿足；若違反約束，回退到上一變數重新嘗試。這是一種搜尋策略，找到的是「滿足所有約束的配置」（可行解）。BP 是概率推論算法，計算的是「給定觀測下各變數的邊際分布」（機率），而非特定配置。BP 能處理軟約束（機率、勢函數），處理的是概率推理而非可行性檢查。兩者在約束滿足問題（CSP）上有聯繫（BP 可用於 CSP 的編碼），但應用場景與答案形式完全不同。

---

來源：https://aiterms.tw/terms/belief-propagation
快查頁：https://aiterms.tw/terms/belief-propagation
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-belief-propagation