Inferência Variacional

Inferência Variacional (IV) é uma família de técnicas que transformam o cálculo da posterior Bayesiana num problema de otimização. Em vez de extrair amostras da posterior exata — como faz o Monte Carlo de Cadeia de Markov (MCMC) — a IV postula uma família de distribuições mais simples e tratável, e encontra o membro dessa família mais próximo da posterior verdadeira maximizando o limite inferior da evidência (ELBO). Introduzida na sua forma moderna de modelo gráfico por Jordan, Ghahramani, Jaakkola e Saul (1999) e dada um tratamento estatístico abrangente por Blei, Kucukelbir e McAuliffe (2017), a IV é agora o motor de inferência escalável padrão em aprendizado de máquina probabilístico.