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

Riassunto

L’articolo introduce un quadro operativo che separa quattro assi non equivalenti — bayesianità, variazionalità, stocasticità e calcolo a valori distribuzionali — e usa sei domande per identificare l’oggetto aleatorio, la sede dell’inferenza o della regolarizzazione, il condizionamento, la sede del campionamento, la rappresentazione propagata e la regola di predizione. Formalizza quindi un criterio di specifica a livello di unità per il neurone variazionale. EVE funge da implementazione controllata: gli esperimenti mostrano sensibilità funzionale a checkpoint fisso, variazioni nell’allocazione latente al cambiare della dimensionalità e tracciamento della covarianza quando il rumore di osservazione viene spostato in modo controllato. Un nuovo confronto su 50 seed appaiati, con esattamente 2.472 parametri per EVE e per un modello di uscita eteroschedastico, produce intervalli appaiati per MSE, NLL, CRPS e MACE che includono lo zero, indicando prestazioni predittive strettamente comparabili alla sensibilità raggiunta.

Questa pagina offre una presentazione in italiano. Il titolo bibliografico ufficiale, l’abstract completo, il manoscritto e i metadati per Google Scholar restano disponibili nella pagina scientifica inglese di riferimento.