我正在阅读变分贝叶斯，据我所知，它归结为你近似的想法（在哪里是模型的潜在变量，并且观察到的数据）具有函数, 假设分解为在哪里是潜在变量的子集。然后可以证明最优因子是：
其中尖括号表示对所有潜在变量的期望，除了关于分布.
现在，通常对这个表达式进行分析评估，以给出近似目标值的准确答案。然而，我突然想到，由于这是一个期望，一个明显的方法是通过抽样来近似这个期望。这将为您提供一个近似目标函数的近似答案，但它提供了一个非常简单的算法，也许适用于分析方法不可行的情况。
我的问题是，这是一种已知的方法吗？它有名字吗？是否有原因导致它不能很好地工作，或者可能不会产生如此简单的算法？
我承认这不是我非常了解的领域，所以对此持保留态度。
首先，请注意，您所提出的并没有产生如此简单的算法：为了计算新的，我们不需要计算单个期望值（如均值或方差），而是整个函数的期望值。这在计算上很困难，并且需要您逼近真实的由一些（例如，我们可能会找到一个直方图近似）
但是，如果你要限制对于一个小的参数族，一个更好的主意可能是使用随机梯度下降来找到最佳参数值（参见：Variational bayesian inference with stochastic search，2012，Paisley，Blei，Jordan）。他们计算的梯度与您编写的非常相似：他们从当前未优化的所有近似值中采样。
所以你提出的并不是那么简单，但它非常接近最近提出的实际方法