本文研究了期望传播方法在广义线性模型下的渐近特性，并通过自由概率理论提出了一种计算复杂度更低的方法，对于具有渐近自由特性的数据矩阵可以有效应用于微阵列数据的基因选择问题。

Jan, 2018

本文介绍了一种期望传递（Expectation Propagation，EP）方法，用于具有高斯过程的多类别分类，可以适应大规模数据集。此方法可以通过随机梯度和小批次进行有效的培训，并且可以在数据实例数量 N 上进行计算成本，而不受其影响。此外，拟合推断过程中的额外假设使得内存成本与 N 无关。与使用变分推断近似所需计算的替代方法进行实证比较，结果表明，该方法表现出类似或甚至比这些技术更好的表现。

Jun, 2017

提出一种基于稀疏高斯过程的框架，使用期望传播直接逼近一般高斯过程的似然函数，既包括了 SPGP 和 VSGP 用于回归的特殊情况，又兼顾了在线处理数据的能力，可用于解决分类问题。在基准数据集上的实验表明，该框架在小样本规模下，不仅能够最大程度地逼近非稀疏 GP 解，而且可降低分类错误率。

Mar, 2012

本研究提出了一种在 Kalman 平滑过程中应用的简单参数更新规则，将非共轭时空高斯过程模型中的近似贝叶斯推理公式化，包括大部分推理方案，如 EP、经典 Kalman 平滑器和变分推理，并提供了这些算法的统一视角。

Jul, 2020

研究了期望传播算法在高斯积分问题解法中的应用，发现在矩形积分区域中，期望传播算法的近似值是非常精确的。虽然在多面体积分区域中它的答案通常是准确的，但我们发现在这种多面体情况下，期望传播算法的答案几乎完全是错误的，这些结果揭示出了期望传播算法的一个有趣且不明显的特征。

Nov, 2011

本文研发了一种新的近似贝叶斯学习方案，使深高斯过程能够应用于中大规模回归问题，该方法通过近似期望传播程序和概率反向传播算法实现，对于 11 个现实世界数据集的非线性回归评估表明，它始终优于 GP 回归，几乎总是优于 Bayesian 神经网络的基于状态和采样的近似推理方法。

Feb, 2016

本研究针对 Expectation Propagation 和其依托的高斯近似方法进行研究，提出了一个操作参数空间更小的变体 averaged-EP，并在数据充分、后验近似为高斯分布的极限情况下证明了 EP 是渐近精确的，迭代行为类似于 Newton 算法，但也可能像 Newton 算法一样因初始误差导致发散。我们的研究进一步促进了对此重要算法理论性质的研究。

Mar, 2015

本文提出了一种新的基于高斯过程概率模型的流数据部署方法，包括学习超参数和优化伪输入位置，并使用合成和真实数据集进行评估。

May, 2017

基于期望传播的算法在概率模型的近似推断中进行 Moment 匹配更新，通过单个样本进行蒙特卡洛估计，提供了稳定性和效率的改进。

Jun, 2024

本文提出了一种用于高斯过程回归中噪声和信号方差的不精确积分的新方法，并使用期望传播进行推理，在两个模拟数据集和三个实证示例中与马尔可夫链蒙特卡罗方法进行比较。结果表明，期望传播能够产生可比较的结果，而计算量较小。

Apr, 2014