Variationsinferens

Variational inference (VI) er en familie af teknikker, der omdanner Bayesiansk posterior-beregning til et optimeringsproblem. I stedet for at trække stikprøver fra den eksakte posterior – som Markov chain Monte Carlo gør – postulerer VI en simplere, håndterbar familie af fordelinger og finder det medlem af den familie, der er tættest på den sande posterior, ved at maksimere evidence lower bound (ELBO). VI, som blev introduceret i sin moderne grafiske model-form af Jordan, Ghahramani, Jaakkola og Saul (1999) og fik en omfattende statistisk behandling af Blei, Kucukelbir og McAuliffe (2017), er nu standarden for skalerbar inferens i probabilistisk machine learning.