本文介绍了一种深度随机神经网络的推理方法，称为多层向量近似信息传递（ML-VAMP），通过推导模型的均方误差（MSE），它在高维度下具有严格的性能可达性结果。

Jun, 2017

本文提出两种基于神经网络的新型架构，通过 Onsager 校正来解决稀疏线性反演问题， 并应用于 5G 无线通信领域的两个问题，分别是压缩式随机接入和大规模 MIMO 信道估计。

Dec, 2016

本文提出了一种基于 Conjugate Gradient 的算法 CG-VAMP，用于高效解决压缩感知相关的线性反问题，通过热启动方案和理论模型的调优，实现了稳定和高效的大规模图像重建。

Nov, 2020

利用贝叶斯近似传递信息算法来解决在压缩感知中多测量向量（MMV）问题，提出了一种称为 AMP-MMV 的算法，该算法能够利用非零系数幅度的时序相关性，并提供信号向量及其基本支撑的软估计。通过近期发展的近似传递信息技术的扩展来扩展 AMP-MMV 的方法，在所有问题维度上具有线性计算复杂性，而期望最大化算法被描述为自动参数调节。通过详细的数值研究，证明了该方法的有效性，特别适用于高维问题。

Nov, 2011

本文提出了一种新的先验模型 ——“变分混合后验”，并将其扩展为两层分层模型，通过使用混合高斯分布和可学习的伪输入条件下的变分后验构成组件，可以避免存在无用的潜在维度，从而实现更好的无监督数据建模。在六个数据集上进行的实证研究表明，应用分层 VampPrior 模型可在无监督不变分布的情况下实现所有数据集的最先进结果。

May, 2017

本文应用统计物理的标准方法，提出了多层近似信息传递算法来重构一个信号从多层（可能是非线性的）测量中，并推导出相关的状态演化方程来分析其性能。文中还介绍了一些这种测量模型在压缩感知、结构化矩阵 / 模式下的感知器学习以及自编码器中潜变量估计的应用。

Jan, 2017

本研究探讨了结合向量近似消息传递算法 (VAMP) 的插件降噪方法，以及对高维旋转不变随机矩阵 A 和 Lipschitz 降噪器，可以精确预测这种 VAMP 方法的均方误差，并在图像恢复和参数双线性估计等应用上进行了演示。

Jun, 2018

对于深度潜在变量模型 (DLVMs)，当前的聚类先验方法要求事先定义聚类数目并容易受到初始值的影响。通过同时进行整合和聚类，我们将 VampPrior（Tomczak 和 Welling，2018）调整到一个狄利克雷过程高斯混合模型中，形成了 VampPrior Mixture Model（VMM），这是一个新的 DLVMs 先验方法。我们提出了一个交替使用变分推断和经验贝叶斯的推理过程，以清晰区分变分参数和先验参数。使用 VMM 在基准数据集上的变分自编码器获得了极具竞争力的聚类性能。将 VMM 与流行的 scRNA-seq 整合方法 scVI（Lopez 等，2018）相结合，可以显著提高其性能并自动将细胞分组成具有生物学意义的聚类。

Feb, 2024

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

通过结构化推理网络和变分信息传递算法，提出了一种针对深层结构模型的高效变分推理方法，实现了结构化、平凡化和自然梯度推理的同时简化了现有方法。

Mar, 2018