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

Resumen

Este artículo introduce un marco operativo que separa cuatro ejes no equivalentes —bayesianidad, variacionalidad, estocasticidad y computación con valores distribucionales— y utiliza seis preguntas para identificar el objeto aleatorio, el lugar de inferencia o regularización, el condicionamiento, el lugar de muestreo, la representación propagada y la regla de predicción. A continuación formaliza un criterio de especificación a nivel de unidad para una neurona variacional. EVE sirve como implementación controlada: los experimentos muestran sensibilidad funcional con checkpoint fijo, cambios en la asignación latente al variar la dimensionalidad y seguimiento de la covarianza cuando se desplaza de forma controlada el ruido de observación. Una comparación nueva de 50 seeds emparejadas, con 2.472 parámetros exactamente igualados frente a un modelo de salida heterocedástico, produce intervalos emparejados de MSE, NLL, CRPS y MACE que incluyen cero, lo que indica un rendimiento predictivo estrechamente comparable a la sensibilidad alcanzada.

Esta página ofrece una presentación en español. El título bibliográfico oficial, el abstract completo, el manuscrito y los metadatos de Google Scholar permanecen en la página científica inglesa de referencia.