Inferencja wariacyjna

Inferencja wariacyjna (VI) to rodzina technik, które przekształcają bayesowskie obliczenia rozkładu posterior w problem optymalizacyjny. Zamiast pobierać próbki z dokładnego rozkładu posterior — jak to ma miejsce w przypadku metody Monte Carlo z łańcuchami Markowa (MCMC) — VI zakłada prostszą, łatwą do oszacowania rodzinę rozkładów i znajduje w niej element najbliższy prawdziwemu rozkładowi posterior, maksymalizując dolną granicę dowodu (ELBO). Wprowadzona w swojej nowoczesnej formie modelu graficznego przez Jordana, Ghahramaniego, Jaakkolę i Saula (1999) oraz poddana kompleksowej analizie statystycznej przez Bleia, Kucukelbira i McAuliffe’a (2017), VI jest obecnie standardowym, skalowalnym silnikiem inferencyjnym w probabilistycznym uczeniu maszynowym.