本文探讨了概率电路（PC）及其变种在学习性能和模型容量方面的提升，介绍了概率神经电路（PNC）和图感知积-和网络（GSPN）的新框架，强调了它们在处理复杂数据和缺乏监督数据时的优势。研究表明，这些模型在准确性和鲁棒性上优于传统方法。

本文介绍了一种新的概率图形学习框架——图感知积和网络（GSPN），该模型在缺乏监督数据和图像分类方面表现优越。研究还提出了求和积网络（SPN）和自对比图扩散网络（SCGDN），提高了图形建模和节点状态平衡的效率。实验结果表明，这些新方法在性能上优于传统模型。