想象你要在几张各有偏差的简化地图中，拼出一张更接近真实地形的地图。混合变分推断正是如此：真实的贝叶斯后验——看到数据后，各种答案及其可信程度——通常算不动，于是模型用多个简单分布共同逼近它。问题在于，每次样本来自哪个分量是一道离散选择，导致训练所需的梯度容易抖动，也更难计算。
Javier Burroni 与 Daniel Sheldon 在 JMLR 发表的研究，把多种基于重参数化的梯度估计器放进同一套记号体系。最值得注意的是，他们为单样本 post-stratified estimator（后分层估计器）给出更简洁的推导，并证明：相比简单随机抽样，它能降低梯度方差，也就是让优化器收到的调整方向更稳定。论文还扩展了若干方法的适用范围，并降低 implicit reparameterization（隐式重参数化）的计算复杂度。
据 JMLR 论文摘要页，分层估计器在可采用时表现稳定；只用一个样本的方法中，后分层估计器经常最好，而隐式重参数化的计算开销最高。摘要没有披露具体提升数字，因此目前更适合把这项工作看作一份方法选择与实现指南，而非已确定的性能跃升。