เปรียบเทียบวิธี

	การอนุมานแบบแปรผันเชิงลำดับชั้น	Hierarchical Markov Chain Monte Carlo
สาขาวิชา	เบย์	เบย์
ตระกูล	Bayesian methods	Bayesian methods
ปีกำเนิด	2016	1990
ผู้ริเริ่ม	Ranganath, Altosaar, Tran & Blei	Gelfand & Smith (1990), building on Geman & Geman (1984)
ประเภท	Bayesian approximate inference	Bayesian computational sampler
แหล่งต้นตำรับ	Ranganath, R., Altosaar, J., Tran, D. & Blei, D. M. (2016). Hierarchical Variational Models. Proceedings of the 33rd International Conference on Machine Learning (ICML 2016), PMLR 48, 324-333.	Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
ชื่อเรียกอื่น	HVI, hierarchical variational models, hierarchical VI, hierarchical approximate inference	hierarchical MCMC, MCMC for multilevel models, Bayesian hierarchical MCMC, multilevel MCMC sampling
ที่เกี่ยวข้อง	5	6
สรุป	Hierarchical variational inference (HVI) extends standard variational inference by placing a richer, hierarchical structure on the variational family itself. Instead of using a simple mean-field approximation, HVI introduces auxiliary latent variables that capture dependencies among the main latent variables, yielding tighter evidence lower bounds and more accurate posterior approximations for complex Bayesian models.	Hierarchical Markov chain Monte Carlo applies MCMC sampling to hierarchical Bayesian models, jointly drawing from the posterior over both observation-level parameters and the hyperparameters that govern them. This allows principled uncertainty propagation across all levels of a multilevel structure, from individuals to groups to population, using algorithms such as Gibbs sampling, Metropolis-Hastings, or Hamiltonian Monte Carlo.