该研究探讨了在多重网络中识别社区的问题，当节点之间的相互作用由相似度的符号（可能加权）度量时，可以考虑使用谱算法或消息传递算法，特别是当节点之间存在特定子集表示相同未知的群元时，以及对应的噪声测量的情况下。在应用中，研究者成功地将所提议的方法应用于美国国会中两个政党的识别，即民主党和共和党。

Apr, 2015

本篇论文介绍了一种低复杂度的迭代阈值算法，名为 AMP（近似消息传递），可从一小组线性测量中重构稀疏信号，并与相关文献建立联系。

Nov, 2009

研究利用空间耦合思想提高部分非零测量下的压缩感知重建算法效率，使用近似信息传递算法分析该问题。证明该算法成功条件为欠采样率超过信号的（上）Rényi 信息维度，对于稀疏信号从 k (n)+o (n) 的测量重建信号，对于离散信号从 o (n) 的测量重建信号，但需要知道信号的经验分布。

Dec, 2011

通过研究一般误差模型下的状态演化，在压缩感知中理解消息传递算法的动态； 并通过副产品证明了，如果感知矩阵是正交不变的，并且其渐近奇异值分布的矩序列与 Marchenko-Pastur 分布的矩序列重合，最大迭代次数的两倍不超过该序列，那么 AMP 可以渐进收敛。

Jan, 2019

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

提出了一种高效的算法用于解决在高噪声和污染水平下的群组同步问题，并侧重于旋转同步；使用基于消息传递算法的方法来估计群组比率的污染水平和一种基于加权最小二乘法的新算法来估计群组元素，其中权重是使用估计的污染水平初始化并迭代更新的；在合成数据和实际数据上展示了我们的算法相对于最先进的旋转同步方法的卓越性能。

Jul, 2020

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

基于旋转不变设计矩阵的广义线性模型中，信号估计是一个问题。我们提出了一族新颖的近似传递消息 (AMP) 算法来估计信号，并通过状态演化递归在高维极限下严格表征了它们的性能。我们的旋转不变 AMP 与现有的基于高斯设计的 AMP 具有相同的复杂度；同时，我们的算法还将现有的 AMP 作为特例恢复。数值结果展示了与 Vector AMP（在某些情况下被猜想为贝叶斯最优）相近的性能，但是我们的算法复杂度更低，因为它不需要计算昂贵的奇异值分解。

Dec, 2021

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

我们提出了一个用于解决团体同步问题的一般框架，在拥有敌对或均匀污染和足够小的噪音的情况下，我们采用了一种新颖的消息传递过程，利用循环一致性信息估计了组比率的污染程度，从而解决了我们的同步问题。

Dec, 2019