Likelihood disebut belief [1].
A posteriori probability disebut belief [7].
Aproksimasi dari MAPD (Marginal A Posteriori Distributions) disebut belief [2].
Graph yang bukan cyclic atau berbentuk struktur tree, maka conditional distribution yang diinginkan 
Belief Propagation (BP) adalah sebuah metoda untuk distributed inference yang menyediakan hasil yang akurat dengan konvergensi yang cepat [4].
BP adalah salah satu model grafis yang terkenal untuk inference dalam fisika statistik, artificial intelligence, computer vision, etc [5].
BP juga merupakan cara yang efisien untuk mendapatkan lokasi sensor berdasarkan riset terkini dalam area sensor networks localiztion [5].
Belief update rule pada algoritma min-sum BP menyatakan bahwa belief pada sebuah variable node didapatkan dengan cara simple saja yaitu tinggal dijumlahkan semua message dari factor node yang bertetangga dengan node variabel tersebut [6].
Referensi:
[1] R. Mino, K. Iwamoto, M. Takashima, R. Zemek, K. Yanagihara, S. Hara, and K. Kitayama, “A Belief Propagation-Based Iterative Location Estimation Method For Wireless Sensor Networks,” in Proc. IEEE PIMRC 2006.
[2] H. Wymeersch, Factor Graphs for Centralized and Distributed Processing: Theory and Practice, Tutorial Slide, Chalmers University of Technology.
[3] E. B. Sudderth, A. T. Ihler, W. T. Freeman, and A. S. Willsky, “Nonparametric Belief Propagation,” in Proc. IEEE Conference on Computer Vision and Pattern Recognition, June 2003.
[4] T. Anker, D. Dolev, and B. Hod, “Belief Propagation in Wireless Sensor Networks – A Practical Approach,” WASA 2008.
[5] V. Savic, and S. Zazo, “Sensor Localization using Nonparametric Generalized Belief Propagation in Network with Loops, ” in Proc. ICIF, July 2009.
[6] J. S. Yedidia, “Message-passing Algorithms for Inference and Optimization: ‘Belief Propagation’ and ‘Divide and Concur’,” Disney Research Boston, Cambridge, USA.
[7] S. Barbarossa, “Lesson 6, Belief Propagation,” Slide Feb 2010, Rome.
