เปรียบเทียบวิธี

	การอนุมานแบบแปรผันสำหรับอนุกรมเวลา	Time Series MCMC
สาขาวิชา	เบย์	เบย์
ตระกูล	Bayesian methods	Bayesian methods
ปีกำเนิด	1999–2017	1994–1997
ผู้ริเริ่ม	Jordan, Ghahramani, Jaakkola, Saul; extended by Blei and colleagues	Carter & Kohn; West & Harrison
ประเภท	Approximate Bayesian inference	Bayesian posterior sampling for time-ordered data
แหล่งต้นตำรับ	Blei, D. M., Kucukelbir, A. & McAuliffe, J. D. (2017). Variational inference: A review for statisticians. Journal of the American Statistical Association, 112(518), 859-877.	Carter, C. K. & Kohn, R. (1994). On Gibbs sampling for state space models. Biometrika, 81(3), 541–553.
ชื่อเรียกอื่น	time-series VI, variational Bayes for time series, TSVI, sequential variational inference	MCMC time series, Bayesian time series MCMC, time series posterior sampling, sequential Bayesian MCMC
ที่เกี่ยวข้อง	6	6
สรุป	Time series variational inference applies variational Bayes to sequential data, approximating the intractable posterior over latent states and parameters with a tractable family of distributions. By maximising the evidence lower bound (ELBO), it delivers fast, scalable Bayesian inference for state-space models, dynamic latent variable models, and other time-ordered probabilistic systems.	Time series MCMC applies Markov chain Monte Carlo methods to Bayesian inference over time-ordered data. Rather than optimising a single parameter estimate, it draws samples from the full joint posterior of parameters and latent states, yielding probability distributions that honestly reflect uncertainty about dynamics, trends, and seasonal patterns across every time point.