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。