본 논문은 확률적 모델링의 근본적인 과제인 표현력과 추론 효율성 간의 균형을 맞추는 데 초점을 맞춘다. 특히, 확률적 회로(PCs)를 사용하여 이 트레이드오프를 해결하는 방법을 제시한다. 논문은 $f$-divergence를 기반으로 분포를 근사하는 PCs 연구를 통해 근사 오차 허용 시 크기 증가를 피할 수 있는지 탐구한다. 또한, 경계가 있는 $f$-divergence를 가진 임의 분포를 근사하는 것은 $\mathsf{NP}$-hard임을 보이고, 분해 가능한 PCs와 분해 가능하고 결정적인 PCs 사이의 근사 크기에 대한 지수적 격차를 증명한다.
