期望传播（expectation propagation），理学-统计学-大数据统计分析-贝叶斯统计-期望传播，利用优化方法对难以计算的贝叶斯后验密度进行近似的方法。期望传播由T.明卡于2001年提出。自从期望传播提出之后，这种方法就备受关注，并得到了很多应用。该方法不仅自身有用，还可以和其他方法进行结合。例如，S.巴尔特尔梅和N.肖邦于2014年提出将近似贝叶斯计算方法和期望传播进行结合，这种方法比其他近似贝叶斯计算方法具有更快的计算速度。然而关于期望传播的理论结果还相对较少。期望传播算法在大量数据下的渐近性质，直到2018年才由G.得阿纳和巴尔特尔梅得到，他们在一定条件下证明了期望传播算法在渐近意义下是精确的。令表示数据，其中为数据的取值空间。令表示未知参数，其中为参数空间。我们设为欧氏空间的子集。令表示参数的后验密度。对于很多复杂的模型，具有复杂的形式，难以直接用于统计推断。期望传播方法利用简单的分布来近似。令为指定的一族备选分布，期望传播的优化目标是：式中和为两个密度；为和之间的K-L（Kullback-Leibler）散度。