提出了一种名为广义近似消息传递（GAMP）的算法，它可以对非线性压缩感知和学习问题进行计算上高效的近似实现，同时可以应用于线性变换后的任意分布输入和输出。分析表明，在大型、i.i.d. 高斯转换下，该方法的渐近分量行为由一组简单的状态演化（SE）方程式描述，并可预测几乎任何分量性能指标的渐近值，包括均方误差或检测准确性；该分析对任意输入和输出分布均有效，即使对应的优化问题是非凸的。因此，GAMP 方法提供了一种计算有效的方法，适用于具有精确渐近性能保证的大类非高斯估计问题。

Oct, 2010

提出了一种名为自适应广义近似信息传递（Adaptive GAMP）的新方法，它可以联合学习先验和测量通道的统计信息，同时估计未知向量，可应用于包括压缩感知中的稀疏先验学习、动态系统和神经尖峰过程中的线性非线性级联模型识别等一类学习问题，并证明了算法具有一定的收敛性。

Jul, 2012

本文介绍了将 “vector AMP” 算法推广到广义线性模型 (Genelized Linear Model, GLM) 中的方法，通过实验表明所提出的 GLM-VAMP 算法比阻尼 GAMP 算法更能应对矩阵 A 病态化的情况。

Dec, 2016

提出了一种通用广义记忆近似消息传递（GMAMP）框架，包括现有的正交 AMP/VAMP、GVAMP 和 MAMP 作为特殊实例，并构建了一种基于低复杂度记忆线性估计器的贝叶斯最优 GMAMP（BO-GMAMP）算法，可用于 GLM 信号重构，实现了与 GAMP 类似的复杂度，并在唯一不动点情况下达到了复制最小（即贝叶斯最优）MSE。

Oct, 2021

提出了一种新的低成本迭代参数估计技术 - MAMP，通过长记忆匹配滤波器来抑制干扰并具有与 AMP 相媲美的复杂度，在所有右单位矩阵中，经过优化的 MAMP 收敛于 OAMP/VAMP，并因此成为最优贝叶斯估计。

Jun, 2021

本文提出了一种基于正交性原理的 MAMP 框架，其中包括一个用于干扰抑制的长记忆匹配滤波器，能够解决 AMP 和 BO-OAMP/VAMP 的缺陷，同时保证 BO-MAMP 的性能是渐近独立的同分布高斯分布，且其状态演化与高复杂度的 BO-OAMP/VAMP 的状态演化一致。

Dec, 2020

本文提出了一种新的算法 SS-MAMP 来解决 Approximate message passing 算法在迭代过程中的收敛问题，在满足充分统计条件的情况下保证了算法的收敛和正交性。

Jun, 2022

本文介绍了使用 Approximate Message Passing（AMP）算法结合谱初始化来实现 Bayes-optimal 精度的方法，特别关注了如何应用于低秩矩阵估计问题中，同时讨论了其应用于稀疏低秩矩阵和高斯块模型中的实验结果。

Nov, 2017

作者使用近似消息传递算法 (AMP) 来计算 M-estimator 的操作特性，在高维极限下分析 Lasso estimator 并研究正则化最小二乘问题中出现的额外的高斯噪音。

Oct, 2013

本文提出一种基于去相关线性估计和无发散非线性估计的正交 AMP 算法，并推导出适用于各种酉不变矩阵的状态演化过程，数值结果表明该算法在病态矩阵情况下比 AMP 更有优势。

Feb, 2016