马尔可夫链蒙特卡罗（MCMC）算法已经成为贝叶斯推理的强大工具。然而，它们不能很好地扩展到大数据问题。分而治之的策略将数据分成多个批次，并针对每个批次运行针对相应次后验的独立MCMC算法，可以将计算负担分散到多个单独的计算机核心上。这类策略的挑战在于重组后下骨，以接近全后骨。通过为每个对数次后验密度创建高斯过程近似值，我们为全后验密度建立了一个易于处理的近似值。该近似通过三种方法进行利用：首先，以后验密度期望为目标的哈密顿蒙特卡罗算法提供了后验近似的样本；其次，评估采样点的真实后验值会产生一个重要的采样器，该采样器渐近地以真实后验期望为目标；最后，一个替代的重要性采样器使用对数后验密度近似的全高斯过程分布来重新加权任何初始样本，并提供后验期望的估计和其中不确定性的测量。