變分貝葉斯估計(variational Bayesian inference)是統計推斷中變分方法(variational method)的套用之一,能夠以疊代方式在給定的變分族(variational family)中對機率模型的隱變數(latent variable)後驗分布進行局部最優估計。
變分貝葉斯估計通過平均場理論(Mean Field Theory, MFT)將隱變數的後驗按維度展開得到計算框架,並按維度疊代更新估計結果至算法收斂。基於極大後驗估計的最大期望算法(Expectation-Maximization algorithm, EM)是變分貝葉斯估計的特例之一。
變分貝葉斯估計可以作為馬爾可夫鏈蒙特卡羅(Markov chain Monte Carlo, MCMC)的低計算量替代方法,也被套用於一些機器學習(machine learning)算法,例如變分自編碼器(variational autoencoder)的學習。
基本介紹
- 中文名:變分貝葉斯估計
- 外文名:variational Bayesian inference
- 類型:最佳化算法
- 學科:統計學
- 套用:參數估計,機器學習