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

摘要

本文提出一个操作性框架，将贝叶斯性、变分性、随机性和分布值计算四个不等价维度分开，并用六个问题识别随机对象、推断或正则化位置、条件信息、采样位置、向后传播的表示以及最终预测规则。文章进一步形式化了变分神经元的单元级规范准则。EVE 作为受控实现，用于检验固定 checkpoint 下的功能敏感性、潜在维度变化带来的分配变化，以及在受控移动观测噪声时协方差的跟踪行为。最后，在新的 50 个配对 seed 上，EVE 与一个具有完全相同 2,472 个参数的异方差输出模型进行比较；MSE、NLL、CRPS 和 MACE 的配对区间均包含零，表明在当前检测灵敏度下两者的预测性能高度接近。

本页提供中文概述。正式书目标题、完整英文摘要、论文原文和 Google Scholar 元数据以英文科学页面为准。