本文研究了因子图框架在时间变化的线性符号干扰信道上的盲联合信道估计和符号检测。提出了一种基于置信传播算法的有效逼近方法，通过交织后验传播和期望最大化算法降低检测复杂性，并引入动量更新后验传播，显著提升性能与复杂性之间的权衡。数值实验表明，该盲检测器在高信噪比情况下表现优异。

本文提出了一种新方法，通过建模手与物体的互动模式，提高三维抓取合成效率。采用基于接触区域的因子图形式，优化手的姿态以实现更准确的接触效果，并通过实验验证了其有效性。该方法在挑战性数据集上表现优异，能够生成高保真度和多样性的抓取姿态。

该文综述深度学习不确定性量化研究，涵盖高斯分布传播、贝叶斯推断、物理启发神经网络及因子图等方法，应用于物体检测、医学影像和神经状态空间模型，以提升可靠性与可解释性。

本文介绍了一种名为DHTM的在线隐藏表示学习算法，用于处理不稳定、部分可观测的决策环境。该算法基于因子图形式和多组分神经元模型，能够捕捉序列数据关系并对未来观察作出累积预测。实验结果表明，DHTM算法在时序差异学习方面表现优于经典LSTM，并与更高级的类似RNN的算法相当。同时，DHTM是解决在线隐藏表示学习动态环境挑战的一种有前途的方法。