মনে রাখবেন, L1 কেবল সংবেদনশীল সংবেদনের একমাত্র পন্থা নয়। ইন আমাদের গবেষণা , আমরা আনুমানিক বার্তা পাসিং (, AMP) সঙ্গে ভাল সাফল্য ছিল। আমি "সাফল্য "টিকে নিম্ন ত্রুটি, আরও ভাল ফেজ ট্রানজিশন (কম পর্যবেক্ষণের সাথে পুনরুদ্ধার করার ক্ষমতা) এবং নিম্ন জটিলতা (উভয় স্মৃতি এবং সিপিইউ) হিসাবে সংজ্ঞায়িত করছি।
আনুমানিক বার্তা পাসিং অ্যালগরিদম একটি বৃহত স্কেল লিনিয়ার সিস্টেমে অজানা ভেক্টরগুলির অনুমানের জন্য একটি বেইসিয়ান কাঠামোটি স্থাপন করে যেখানে লিনিয়ার সিস্টেমের ইনপুট এবং ফলাফলগুলি পরীক্ষামূলক মডেল দ্বারা নির্ধারিত হয় (উদাহরণস্বরূপ "এই ভেক্টরটি শব্দের সাথে পরিমাপ করা হয়েছিল", "এই ভেক্টরটির কিছু রয়েছে) শূন্য ")। মূল , AMP পদ্ধতির Donoho দ্বারা নকল দ্বারা পরিশ্রুত হয়েছে Rangan মধ্যে সাধারণভাবে সঙ্গে আনুমানিক বার্তা পাসিং মতলব কোড প্রাপ্তিসাধ্য। ইনপুট এবং আউটপুট প্রায় স্বেচ্ছাসেবী সম্ভাবনা ঘনত্ব ফাংশন হতে পারে। আমাদের গবেষণায়, আমরা খুঁজে পেয়েছি যে জ্যাম্প সাধারণত L1 উত্তল পদ্ধতির এবং লোভী পদ্ধতির (যেমন আর্থোগোনাল ম্যাচিং সাধনা) এর চেয়ে দ্রুত, আরও নির্ভুল এবং আরও দৃ rob় (পড়ুন: আরও ভাল ফেজ ট্রানজিশন বক্ররেখা) is
আমার পরামর্শদাতা এবং আমি সবেমাত্র বিশ্লেষণ সিএস-এর জন্য গ্যাম্প ব্যবহার করার জন্য একটি কাগজ লিখেছিলাম , যেখানে কেউ অজানা ভেক্টর এক্স-তে নয়, বরং সেই অজানা, ডাব্লুএক্সের লিনিয়ার ফাংশনটিতে শূন্যতার প্রাচুর্য আশা করে।