变分高斯近似的重新审视

与因子分布的相应近似相比，多元高斯的后验分布变分近似在机器学习社区中受到的关注要少得多。这是有充分理由的：高斯近似通常受到需要优化的变分参数数量为Omicron(N)(2)的困扰，其中N是随机变量的数量。在本信中，我们讨论了拉普拉斯近似和变分近似之间的关系，并且我们展示了对于具有高斯先验和因子化似然的模型，变分参数的数量实际上是Omicron(N)。该方法应用于具有非高斯似然的高斯过程回归。