Hierarchy-GBP
一种基于层次抽象的高斯信念传播加速算法，通过构造粗粒度图近似解决全局误差、再投影回原始图用GBP修正局部误差的两阶段框架，具有严格收敛性理论保证
时间轴 (近 90 天)
Hierarchy-GBP（H-GBP）是一个迭代式的两阶段框架，核心思想是抽象（abstraction）与恢复（recovery）
H-GBP在抽象阶段先构造一个粗粒度的图近似，使原本需要跨越大量节点传播的全局误差变成短距离即可解决的问题
H-GBP在恢复阶段将粗图上的全局解投影回原始细粒度图，然后用标准GBP对剩余局部误差进行精细化修正
H-GBP提供了严格的收敛性证明，通过推导抽象与恢复步骤合并后的矩阵算子并分析其谱半径来证明能收敛到最优解
H-GBP粗图求解消除了对应低频模态的分量，使合并算子的谱半径显著小于原始GBP算子的谱半径，从而理论上保证更快收敛
H-GBP显著加速了大规模位姿图优化（PGO）的求解
H-GBP在所有测试规模的光束法平差（BA）上都达到了业界领先（state-of-the-art）的运行时间
H-GBP的谱半径分析框架与多重网格方法（multigrid methods）中的平滑性分析在思路上高度一致
H-GBP将多重网格式的层次化思想引入信念传播框架，同时保留了GBP的分布式、可并行特性
全部知识事实 (9)
Hierarchy-GBP（H-GBP）是一个迭代式的两阶段框架，核心思想是抽象（abstraction）与恢复（recovery）
50%待验证H-GBP在抽象阶段先构造一个粗粒度的图近似，使原本需要跨越大量节点传播的全局误差变成短距离即可解决的问题
50%待验证H-GBP在恢复阶段将粗图上的全局解投影回原始细粒度图，然后用标准GBP对剩余局部误差进行精细化修正
50%待验证H-GBP提供了严格的收敛性证明，通过推导抽象与恢复步骤合并后的矩阵算子并分析其谱半径来证明能收敛到最优解
50%待验证H-GBP粗图求解消除了对应低频模态的分量，使合并算子的谱半径显著小于原始GBP算子的谱半径，从而理论上保证更快收敛
50%待验证H-GBP显著加速了大规模位姿图优化（PGO）的求解
50%待验证H-GBP在所有测试规模的光束法平差（BA）上都达到了业界领先（state-of-the-art）的运行时间
50%待验证H-GBP的谱半径分析框架与多重网格方法（multigrid methods）中的平滑性分析在思路上高度一致
50%待验证H-GBP将多重网格式的层次化思想引入信念传播框架，同时保留了GBP的分布式、可并行特性
50%