Algorytm służący do policzenia marginal distribution zmiennej losowej, gdy mamy dany Factor graph dla joint probability distribution. Źródło: A visual introduction to Gaussian Belief Propagation.
Belief Propagation gwarantuje policzenie dokładnego marginal distribution gdy graf jest drzewem. Istnieje wersja Loopy Belief Propagation dla grafów z pętlami, ale nie gwarantuje ona zbieżności to prawdziwego marginal dsitribution, chociaż w praktyce bardzo często zbiega. Źródło: A visual introduction to Gaussian Belief Propagation.
Modyfikacja algorytmu Variable Elimination, która pozwala zcachować obliczenia w taki sposób, żeby nie powtarzać pracy gdy chcemy dwa razy policzyć marginal probability. Działa tylko, gdy Bayesian Network jest drzewem! Uogólnieniem algorytmu jest Junction Tree Algorithm, który działa dla wszystkich grafów. Źródło: CS 228 - Probabilistic Graphical Models.