ध्यान रखें, L1 कंप्रेसिव सेंसिंग का एकमात्र तरीका नहीं है। में हमारे शोध , हम लगभग संदेश पासिंग (एएमपी) के साथ बेहतर सफलता मिली है। मैं "त्रुटि" को कम त्रुटि, बेहतर चरण संक्रमण (कम टिप्पणियों के साथ पुनर्प्राप्त करने की क्षमता), और कम जटिलता (स्मृति और सीपीयू दोनों) के रूप में परिभाषित कर रहा हूं।
अनुमानित संदेश पासिंग एल्गोरिथ्म एक बड़े पैमाने पर रेखीय प्रणाली में अज्ञात वैक्टर का अनुमान लगाने के लिए एक बायेसियन फ्रेमवर्क स्थापित करता है जहां रेखीय प्रणाली के इनपुट और आउटपुट प्रोबेलिस्टिक मॉडल द्वारा निर्धारित किए जाते हैं (उदाहरण के लिए "यह वेक्टर शोर के साथ मापा गया था", "वेक्टर" कुछ है शून्य ")। डोनोहो द्वारा जाली मूल एएमपी दृष्टिकोण को रंगन द्वारा सामान्यीकृत अनुमानित संदेश पासिंग में परिष्कृत किया गया है, जिसमें माटोबा कोड उपलब्ध है।। इनपुट और आउटपुट लगभग मनमानी संभावना घनत्व कार्य हो सकते हैं। हमारे शोध में, हमने पाया है कि L1 उत्तल दृष्टिकोण और लालची दृष्टिकोण (जैसे ऑर्थोगोनल मिलानिंग पर्स) की तुलना में GAMP आमतौर पर अधिक तेज, अधिक सटीक और अधिक मजबूत (पढ़ें: बेहतर चरण संक्रमण घटता) है।
मेरे सलाहकार और मैंने एनालिसिस सीएस के लिए जीएएमपी का उपयोग करने पर सिर्फ एक पेपर लिखा है , जहां एक शून्य की एक बहुतायत की उम्मीद है, अज्ञात वेक्टर एक्स में नहीं, बल्कि उस अज्ञात, डब्ल्यूएक्स के रैखिक कार्य में।