Inferenza Variazionale

L'inferenza variazionale (VI) è una famiglia di tecniche che trasformano il calcolo della posterior Bayesiana in un problema di ottimizzazione. Invece di estrarre campioni dalla posterior esatta — come fa il Markov chain Monte Carlo (MCMC) — la VI postula una famiglia di distribuzioni più semplice e trattabile e trova il membro di quella famiglia più vicino alla vera posterior massimizzando il lower bound dell'evidenza (ELBO). Introdotta nella sua forma moderna per modelli grafici da Jordan, Ghahramani, Jaakkola e Saul (1999) e trattata in modo completo dal punto di vista statistico da Blei, Kucukelbir e McAuliffe (2017), la VI è ora il motore di inferenza scalabile standard nell'apprendimento automatico probabilistico.