Inférence variationnelle

L'inférence variationnelle (IV) est une famille de techniques qui transforment le calcul du postérieur bayésien en un problème d'optimisation. Au lieu de tirer des échantillons du postérieur exact — comme le fait la méthode de Monte Carlo par chaînes de Markov (MCMC) — l'IV postule une famille de distributions plus simple et traitable, et trouve le membre de cette famille le plus proche du vrai postérieur en maximisant la borne inférieure de la vraisemblance (ELBO). Introduite sous sa forme moderne pour les modèles graphiques par Jordan, Ghahramani, Jaakkola et Saul (1999) et traitée de manière exhaustive sur le plan statistique par Blei, Kucukelbir et McAuliffe (2017), l'IV est désormais le moteur d'inférence évolutif standard en apprentissage automatique probabiliste.