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

本文提出了一种新算法 ML-VAMP，用于多层随机神经网络推理，可配置为计算最大先验或近似最小均方误差估计，具有高维随机极限下的精确预测及可测试最优性条件，提供了一种计算方法，可在大型系统极限下进行多层推理并实现最小均方误差预测。

Nov, 2019

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

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

本文提出了一种基于 AMP-3D-Wiener 算法的压缩高光谱成像重建技术，在压缩感知成像方法下，利用 CASSI 系统对高光谱三维数据进行快速采集和重建，在过去较广泛使用的算法中表现出更优异的性能。

Jul, 2015

提出一种新的稳定 AMP 算法的方法，这种算法通过逐个系数而不是并行地应用 AMP 更新来解决 AMP 在某些情况下不匹配其假设的收敛问题，并且不会增加过多的计算成本。

Jun, 2014

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

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