本研究提出了一种新方法，解决了现有概率电路在高效相乘时的结构限制，开发了多种多项式时间算法，支持不同结构电路的高效相乘，提升了概率电路推理的可处理性。

本文探讨了概率电路（PCs）、概率生成电路（PGCs）和概率神经电路（PNCs），旨在提升复杂关系数据的推理能力。研究表明，PNCs在可处理性与表达能力之间取得平衡，并通过实验证明其在函数逼近中的有效性。同时，提出了改进模型鲁棒性的方法，以应对分布变化和OOD数据。

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。

本论文介绍了一种使用神经网络进行近似推理的方法，通过在查询变量上使用连续多线性函数来近似赋值的代价，并通过神经网络输出解决方案。实验证明该方法在求解概率电路中的最大边后验和边后验最大估计任务时优于竞争的线性时间近似方法。

本文综合调查了概率电路，并提出了设计原则和算法扩展，以构建表现力和高效性的概率电路。还讨论了构建深层和混合概率电路的努力，并提出了未来研究的挑战和开放问题。

该文介绍了一种新的深度减法混合模型，可以通过减去概率质量或密度来减少建模复杂分布所需的组件数量，并在保证编码非负函数的同时学习这种减法混合技术。该模型在概率电路的框架中实现，并通过将它们平方来实现。