概率推断在低树宽图模型中通常是可解的，但在高树宽情况下难以计算。现有方法通过利用对称性等显式的参数结构提升效率，却要求模型事先具备此类结构，限制了适用范围。为突破此局限，我们提出一个框架，使可推断性由潜在的参数结构驱动，而非显式存在。
首先将图模型重新参数化为一种称为基础张量网络的张量网络表示。该表示具备两大特性：其一，推断复杂度主要由单个张量——基础张量的参数结构决定。我们给出若干可 tractable 的基础张量类，使整个网络可高效收缩。其二，对基础张量进行分解会产生新的基础张量网络集合，从而把推断任务自然转化为将基础张量分解为具有足够参数结构的可处理子块，这一过程称为参数化张量分解。
通过在基础张量内部挖掘参数结构，我们的框架在无需显式结构的情况下，实现了对更广泛图模型的高效概率推断。
点评