La computación aproximada ha sido un buen paradigma de diseño de aceleradores energéticamente eficientes. La estimación de errores precisa y rápida es crítica para la selección adecuada de técnicas aproximadas, de modo que el ahorro de energía (o mejora de rendimiento) pueda maximizarse con una calidad de salida aceptable en aceleradores aproximados. En el artículo, proponemos un marco de evaluación de errores holístico para caracterizar múltiples técnicas aproximadas con modelos gráficos probabilísticos (PGM) de manera conjunta. mapea el problema de evaluar errores inducidos por diferentes técnicas aproximadas en un problema de PGM, incluyendo: (1) Una red bayesiana heterogénea representada mediante la conversión de un grafo de flujo de datos de una aplicación, donde varias opciones aproximadas son nodos de tipo X* de dos estados {preciso, aproximado}, mientras que las variables de entrada u operativas son nodos de tipo X de tres estados {preciso, aproximado, inaceptable}. Estos dos tipos de nodos se utilizan por separado para configurar las técnicas aproximadas disponibles y realizar un seguimiento de la propagación de errores correspondiente para garantizar la configurabilidad; (2) el aprendizaje de nodos se logra a través de una biblioteca aproximada, que consiste en funciones de masa de probabilidad de múltiples técnicas aproximadas para calcular rápidamente la Tabla de Probabilidad Condicional de cada nodo mediante modelado mecanicista o modelado empírico; (3) la inferencia exacta proporciona la distribución de probabilidad de calidad de salida en tres niveles: preciso, aproximado e inaceptable. Realizamos un estudio de caso completo de núcleos gaussianos 3 x 3 con diferentes configuraciones aproximadas para verificar. Los resultados exhaustivos demuestran que es útil para explorar el espacio de diseño de aceleradores aproximados eficientes en energía, con una pérdida de precisión del 4.18% y una aceleración promedio de 3.34 x 10 sobre la simulación de Mentor Carlo.