本文介绍了输入凸性神经网络的架构与方法，通过约束网络参数实现高效推理与优化，适用于多标签预测、图像完成和强化学习等领域。研究提出了多种优化算法，证明了其全局收敛性，并展示了优于传统方法的性能。

本文介绍了求和积网络（SPN）及其在图形建模推理中的应用，强调其在图像完成任务中的优越性。研究探讨了SPN与贝叶斯网络的关系，提出了新的参数学习方法和算法，展示了SPN在结构化预测中的有效性。此外，文章介绍了新型概率模型XSPN和图感知积-和网络（GSPN），并通过实验验证了其在处理缺失数据和图像分类中的优势。