黑箱随机变分方法（black-box stochastic variational methods）已成为近似推断的主要方法之一，并构成了结构化生成模型中摊销推断（amortized inference）的基础。特别具有结构性的模型之一是概率程序（probabilistic programs），它们能够建模包含层次结构与离散潜变量（如随机控制流决策）的复杂生成过程。 对于此类模型，标准的变分推断方法往往难以获得理想结果，其原因并非变分族表达能力不足，而是优化过程中难以摆脱局部极小值（local minima）。当模型包含离散组件、外部仿真器调用，或前述的随机控制流时，附加的可微性约束将显著加剧这些挑战，因为这类结构通常使得模型部分潜变量相对于参数的梯度不可计算。 因此，许多依赖梯度的优化策略（尤其是基于重参数化技巧 reparameterization 的方法）将不再适用，研究者不得不依赖效率较低、且方差可能极高的替代方法。在受限的采样预算条件下（例如计算代价昂贵的模型），这种问题会被进一步放大，因为无法通过增加采样数量来降低方差。 本论文旨在提出并发展一系列新的思想与技术，以应对这些在结构化与离散潜变量模型中所面临的限制——这类挑战广泛存在于概率程序与生成建模领域，并且至今仍是现代变分推断研究中的重要难题。![]