Variational Neurons and Bayesian Neural Networks: Distinct Probabilistic Objects, Inference Loci, and Computational Granularity

Zusammenfassung

Der Artikel führt einen operativen Rahmen ein, der vier nicht äquivalente Achsen trennt — Bayesianität, Variationalität, Stochastizität und verteilungswertige Berechnung — und anhand von sechs Fragen das Zufallsobjekt, den Ort von Inferenz oder Regularisierung, die Konditionierung, den Sampling-Ort, die weitergegebene Repräsentation und die Vorhersageregel erfasst. Anschließend wird ein Spezifikationskriterium auf Einheitenebene für ein variationelles Neuron formalisiert. EVE dient als kontrollierte Implementierung: Die Experimente zeigen funktionale Sensitivität bei festem Checkpoint, Änderungen der latenten Allokation mit der Dimensionalität und Kovarianz-Tracking bei kontrollierter Verlagerung des Beobachtungsrauschens. Ein neuer Vergleich über 50 gepaarte Seeds mit exakt 2.472 Parametern für EVE und ein heteroskedastisches Ausgabemodell liefert gepaarte MSE-, NLL-, CRPS- und MACE-Intervalle, die jeweils Null einschließen; damit sind die Vorhersageleistungen bei der erreichten Sensitivität eng aufeinander abgestimmt.

Diese Seite bietet eine deutsche Zusammenfassung. Der offizielle bibliografische Titel, das vollständige Abstract, das Manuskript und die Google-Scholar-Metadaten bleiben auf der englischen wissenschaftlichen Referenzseite verfügbar.