เปรียบเทียบวิธี

	การอนุมานแบบแปรผันที่ทนทาน (Robust Variational Inference)	การอนุมานแบบเบย์ที่คงทน
สาขาวิชา	เบย์	เบย์
ตระกูล	Bayesian methods	Bayesian methods
ปีกำเนิด	2008-2018	1984–1990
ผู้ริเริ่ม	Fujisawa & Eguchi (2008); Futami, Sato & Sugiyama (2018)	James O. Berger
ประเภท	Robust approximate Bayesian inference	Bayesian sensitivity / robustness framework
แหล่งต้นตำรับ	Futami, F., Sato, I. & Sugiyama, M. (2018). Variational inference based on robust divergences. Proceedings of the 21st International Conference on Artificial Intelligence and Statistics (AISTATS), PMLR 84:813-822.	Berger, J. O. (1990). Robust Bayesian analysis: sensitivity to the prior. Journal of Statistical Planning and Inference, 25(3), 303–328.
ชื่อเรียกอื่น	RVI, robust VI, outlier-robust variational Bayes, power-divergence variational inference	Bayesian sensitivity analysis, prior robustness, epsilon-contamination Bayesian analysis, robust Bayes
ที่เกี่ยวข้อง	6	6
สรุป	Robust variational inference (RVI) extends standard variational inference by replacing the Kullback-Leibler divergence with a divergence measure that is less sensitive to outliers and model misspecification — such as the beta-divergence or a Renyi-type divergence. This yields posterior approximations that remain well-behaved even when a fraction of the data departs from the assumed model.	Robust Bayesian inference extends standard Bayesian analysis by replacing a single prior distribution with a class of plausible priors and examining how much the posterior conclusions change across that class. Instead of committing to one prior, the analyst bounds the posterior quantity of interest, revealing whether findings are stable or critically dependent on prior assumptions.