贝叶斯与蒙特卡洛相结合

我正在阅读变分贝叶斯，据我所知，它归结为这样的想法：使用函数q逼近（其中z是模型的潜在变量，而x是观察到的数据）（z ），假设q分解为q i（z i），其中z i是潜在变量的子集。然后可以证明最优因子q i（z i）为： q $p(z\mid x)$$z$$x$$q(z)$$q$$q_i(z_i)$$z_i$$q_i(z_i)$

$$q^*_i(z_i) = \langle \ln p(x, z)\rangle_{z/i} + \text{const.}$$

其中尖括号表示除以外的所有潜在变量对分布q （z ）的期望。$z_i$$q(z)$

现在，通常通过分析来评估此表达式，以给出近似目标值的准确答案。但是，在我看来，由于这是一个期望，因此一个显而易见的方法是通过抽样来近似该期望。这将为您提供近似目标函数的近似答案，但是它使算法非常简单，甚至在分析方法不可行的情况下。

我的问题是，这是已知方法吗？它有名字吗？是否有理由为什么它可能无法很好地工作，或者可能无法产生如此简单的算法？

我会承认这不是我非常了解的领域，因此请带一点盐。

$q^\star_i$$q^\star$$\tilde q$

$q_i$

所以您提出的并不是那么简单，但是它与最近提出的实际方法非常接近