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

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

本文介绍了一种新型的迭代估计算法 S-AMP，其固定点是在一组（一阶和二阶）矩匹配约束下准确吉布斯自由能的静止点，在大系统极限下。该算法基于测量矩阵的频谱的 S 变换，并将近似信息传递（AMP）算法推广到一般矩阵集合上。此外，我们还表明，S-AMP 的最优性是直接由其设计而不是通过解决单独的优化问题（如 AMP 算法）而实现的。

May, 2014

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

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

本文提出了 Bayes - 最优的卷积逼近信息传递 (CAMP) 用于压缩感知中的信号恢复，CAMP 使用与近似信息传递 (AMP) 相同的低复杂度匹配滤波器 (MF) 进行干扰抑制。

Mar, 2020

本论文提出了 UT-AMP（一种基于原始模型的酉变换的 AMP 改进版），并证明在高斯先验条件下，UT-AMP 对于任何矩阵 A 都能收敛。UT-AMP 比原始 AMP 更加稳健，并表现出快速的收敛。

Apr, 2015