Este artículo busca mejorar Advanced Color Passing (ACP), un algoritmo de vanguardia que comprime los modelos de factorización proposicional para lograr una inferencia elevada eficiente en modelos gráficos probabilísticos que representan objetos indistinguibles y sus relaciones. ACP agrupa factores con distribuciones similares. Una versión aproximada utiliza el hiperparámetro ε para agrupar factores que difieren en menos de $(1\pm ε)$. Sin embargo, encontrar un valor ε apropiado es difícil y requiere un amplio proceso de ensayo y error, y el modelo varía significativamente en función de dicho valor, lo que reduce la interpretabilidad. Por lo tanto, este artículo presenta un enfoque jerárquico sin un hiperparámetro. Este método calcula eficientemente una jerarquía de valores ε para crear una jerarquía de modelos. Es decir, los factores agrupados en un valor ε específico continúan agrupándose en valores ε mayores. A esta jerarquía de valores ε le sigue una jerarquía de límites de error. El valor ε para ACP se selecciona en función de un equilibrio entre la compresión y la precisión, lo que mejora la interpretabilidad en diferentes modelos.
