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

Résumé

Cet article propose un cadre opérationnel qui sépare quatre axes non équivalents — bayésianité, variationalité, stochasticité et calcul à valeurs distributionnelles — puis utilise six questions pour identifier l’objet aléatoire, le lieu de l’inférence ou de la régularisation, le conditionnement, le lieu d’échantillonnage, la représentation propagée et la règle de prédiction. Il formalise ensuite un critère de spécification au niveau de l’unité pour le neurone variationnel. EVE sert d’implémentation contrôlée : les expériences montrent une sensibilité fonctionnelle à checkpoint fixe, des changements d’allocation latente avec la dimension et un suivi de covariance lors du déplacement contrôlé du bruit d’observation. Une comparaison fraîche sur 50 seeds appariées, à capacité exactement appariée de 2 472 paramètres, avec un modèle de sortie hétéroscédastique produit des intervalles appariés MSE, NLL, CRPS et MACE contenant zéro, ce qui indique des performances prédictives étroitement appariées à la sensibilité atteinte.

Cette page propose une présentation en français. Le titre bibliographique officiel, l’abstract complet, le manuscrit et les métadonnées Google Scholar restent disponibles sur la page scientifique anglaise de référence.