مدل‌سازی داده‌های غیرخطی، به دلیل وجود روابط پیچیده و ساختارهای پنهان، مستلزم بهره‌گیری از رهیافت‌هایی فراتر از مدل‌های خطی کلاسیک است. در این پژوهش، به‌منظور ارزیابی عملکرد روش‌های مختلف استنباط بیزی در مدل‌سازی غیرخطی، از چارچوب شبکه‌های عصبی بیزی استفاده شده است. سه روش پرکاربرد در این حوزه شامل الگوریتم همیلتونی مونت‌کارلو، نمونه‌گیری تطبیقی بدون بازگشت و استنباط واریاسیونی، در قالب یک مدل رگرسیون غیرخطی پیاده‌سازی و با یکدیگر مقایسه شده‌اند. تحلیل‌ها بر روی داده‌های شبیه‌سازی‌شده و همچنین یک مجموعه‌داده واقعی انجام شده و عملکرد روش‌ها بر اساس معیارهایی همچون دقت پیش‌بینی، کیفیت برآورد توزیع پسین و زمان محاسباتی مورد ارزیابی قرار گرفته است.

نتایج نشان می‌دهد که روش‌های مبتنی بر نمونه‌گیری، به‌ویژه در تقریب دقیق‌تر توزیع پسین، عملکرد مطلوب‌تری دارند و در مقابل، استنباط واریاسیونی با وجود اندکی افت در دقت نسبت به روش‌های نمونه‌گیری، به دلیل سرعت محاسباتی بالا و همگرایی سریع، برآوردهای قابل قبولی ارائه می‌دهد. هدف این پژوهش ارائه یک مطالعه مقایسه‌ای منسجم از سه رویکرد استنباطی در چارچوب شبکه‌های عصبی بیزی برای مدل‌های رگرسیونی غیرخطی و تبیین مزایا و محدودیت‌های هر روش در کاربردهای عملی است.