Inferencia Variacional

La inferencia variacional (VI) es una familia de técnicas que convierten el cálculo de la posterior bayesiana en un problema de optimización. En lugar de extraer muestras de la posterior exacta —como hace el MCMC (Markov Chain Monte Carlo)—, la VI postula una familia de distribuciones más simple y tratable, y encuentra el miembro de esa familia más cercano a la posterior verdadera maximizando el límite inferior de la evidencia (ELBO). Introducida en su forma moderna de modelo gráfico por Jordan, Ghahramani, Jaakkola y Saul (1999) y tratada de forma exhaustiva desde el punto de vista estadístico por Blei, Kucukelbir y McAuliffe (2017), la VI es ahora el motor de inferencia escalable estándar en el aprendizaje automático probabilístico.