利用幺正变换的近似消息传递
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
本文研究了基于正交旋转不变性矩阵的更通用的近似传递算法(AMP),其中该算法的 Onsager 修正和状态演化由该矩阵的谱分布的自由累积量或矩形自由累积量定义。研究还表明,该算法用于具有先验结构的主成分分析时,可以比样本主成分更准确地进行估计。
Aug, 2020
提出并分析一种近似信息传递 (AMP) 算法,用于矩阵张量乘积模型,其中使用一种新方法在每次迭代中优化加权和组合多个估计;利用非可分函数的 AMP 收敛定理,证明了非可分函数的状态演变,提供了其在高维极限下性能的渐近精确描述。
Jun, 2023
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
该研究论文证明了 Bayes-optimal 正交 / 向量 AMP 在大系统极限下的收敛性,并通过新的统计解释证明了 Bayes-optimal LM-MP 状态演化递归的收敛性,因而证明了 Bayes-optimal 正交 / 向量 AMP 的状态演化递归的收敛性。
Nov, 2021
本研究研究了一类适用于具有正交不变噪声的对称和矩形钉子随机矩阵模型的近似消息传递(AMP)算法,并使用贝叶斯方法介绍了一个 Bayes-OAMP 算法。
Oct, 2021
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
该论文介绍了一种基于近似信息传递的算法 Approximate Message Passing,旨在解决高维数据矩阵的压缩感知重构、回归和矩阵恢复等问题,通过状态演化的方式对特定类别的随机矩阵进行了建模,并将该方法推广到利普希茨连续的非可分非线性问题,同时提出了一种名为 LAMP 的改进算法。
Aug, 2017