본 논문은 구분 불가능한 객체와 객체 간 관계를 표현하는 확률적 그래픽 모델에서, 효율적인 추론(lifted inference)을 위해 명제적 인수분해 모델을 압축하는 최첨단 알고리즘인 Advanced Colour Passing (ACP)을 개선하는 것을 목표로 한다. ACP는 유사한 분포를 나타내는 인수들을 그룹화하는데, 근사적인 버전에서는 초매개변수 ε을 사용하여 $(1\pm ε)$ 이내로 차이나는 인수들을 그룹화한다. 하지만 적절한 ε 값을 찾는 것이 어렵고 많은 시행착오를 필요로 하며, ε 값에 따라 모델이 크게 달라져 해석성이 떨어진다는 문제점이 있다. 따라서 본 논문은 초매개변수가 없는 계층적 접근 방식을 제시한다. 이 방법은 ε 값의 계층을 효율적으로 계산하여 모델의 계층을 생성한다. 즉, 특정 ε 값에서 그룹화된 인수들은 더 큰 ε 값에서도 계속 그룹화된다. 이 ε 값의 계층은 오차 한계의 계층으로 이어지며, 압축과 정확도 간의 균형을 고려하여 ACP를 실행할 ε 값을 선택하고 서로 다른 모델 간의 해석성을 향상시킨다.
