近似推断（approximate inference），理学-计算机科学技术-人工智能-机器学习-概率图模型，使用近似算法以牺牲精确度为代价来减少计算和推断的开销的推断方法。在概率图模型中进行精确推断（exact inference）十分困难且开销巨大，近似推断是在实际应用中更为实用的方法。在经典概率图模型，如贝叶斯网（Bayesian network）或马尔可夫网（Markov network)中，需要进行推断操作，即根据已知变量推测未知变量分布，其核心是如何基于可观测变量推测出未知变量的条件分布。但由于实现精确推断需要很大的计算开销，在很多现实问题中直接应用精确推断并不可行，例如C.F.库伯（C.F.Cooper）指出，在贝叶斯网络中进行精确推断是一个NP困难问题。近似推断是一种更为常用的推断技术，旨在用近似的算法以牺牲精度来达到大幅减少计算开销的目的。近似推断方法大致可分为2类：第1类是使用随机化的方法完成近似，即采样（sampling）；第2类是使用确定性近似完成近似推断，代表为变分推断（variational inference）。