概率图模型的形式化提供了一个统一的框架,以捕获随机变量之间的复杂依赖关系,并建立大规模的多元统计模型。图模型已经成为许多统计、计算和数学领域的研究重点,包括生物信息学、通信理论、统计物理、组合优化、信号和图像处理、信息检索和统计机器学习。在特定情况下出现的许多问题——包括计算边际和概率分布模式的关键问题——最好在一般情况下进行研究。利用指数族表示,并利用指数族的累积函数和熵之间的共轭对偶性,我们发展了计算似然、边际概率和最可能配置问题的一般变分表示。我们描述了各种各样的算法——其中包括和积、聚类变分方法、期望传播、平均场方法、最大积和线性规划松弛,以及圆锥规划松弛——是如何以这些变分表示的精确或近似形式来理解的。变分方法提供了一个补充替代马尔可夫链蒙特卡罗作为一个一般来源的逼近方法推断在大规模统计模型。