研究：似然退火改变贝叶斯网络预测矩

针对宽贝叶斯神经网络中高斯平均场变分推断易出现的“先验主导”问题，Ian Zhang 与 Thibault Randrianarisoa 发表论文，研究对似然施加温度 T 的 1/T 次幂退火，并在网络宽度 M→∞ 时推导其极限预测分布，与未退火的 NNGP 后验对比。 结果显示预测期望与方差在不同尺度发生相变：当 c=1/2 且 τ 低于显式阈值时，期望脱离先验值；c>1/2 时期望等于最小二乘预测。方差则在 c<1/2 时保持先验值，c>1 时转为 NNGP 后验方差。 论文提出的问题是 T 需随 M 以多快速度下降，才能抵消这种退化并在两项之间取得平衡。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。