边际似然估计
原文英文，约900词，阅读约需4分钟。
📝
内容提要
本文讨论了贝叶斯推断中的边际似然及其估计方法，包括蒙特卡洛方法和重要性采样方法。边际似然是条件变量的先验分布上似然函数的期望值。蒙特卡洛方法通过抽样和计算似然函数来估计边际似然，但在高维度和小样本情况下可能存在高方差。重要性采样方法通过建议分布来提供更准确的边际似然估计。
❓
Q&A
什么是边际似然？
边际似然是条件变量的先验分布上似然函数的期望值。
边际似然的计算为什么通常不可行？
计算边际似然的确切值通常不可行，尤其是在高维度情况下，积分或求和计算非常耗时。
蒙特卡洛方法在边际似然估计中有什么局限性？
蒙特卡洛方法在小样本和高维情况下可能存在高方差问题，导致估计不准确。
重要性采样方法是如何提高边际似然估计准确性的？
重要性采样通过选择接近后验分布的建议分布来降低估计的方差，从而提高准确性。
在边际似然估计中，建议分布的选择有何重要性？
建议分布的选择对估计的方差有显著影响，接近后验分布的建议分布能更准确地估计边际似然。
哪些优化算法可以用于学习接近后验分布的建议分布？
变分推断和变分自编码器等优化算法可以学习接近后验分布的建议分布。
🏷️
