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
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
本文提出了一种新的算法 SS-MAMP 来解决 Approximate message passing 算法在迭代过程中的收敛问题,在满足充分统计条件的情况下保证了算法的收敛和正交性。
Jun, 2022
本文提出一种基于去相关线性估计和无发散非线性估计的正交 AMP 算法,并推导出适用于各种酉不变矩阵的状态演化过程,数值结果表明该算法在病态矩阵情况下比 AMP 更有优势。
Feb, 2016
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。
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
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
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
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