贝叶斯神经网络新方法稀疏化随机性

研究者 Marius P Linhard 与 Maurizio Filippone 提出一种贝叶斯神经网络方法：对参数先验尺度（即先验标准差）做深度权重因子化，学习哪些参数保持随机、哪些转为确定性。先验尺度低于阈值的参数被确定化，并在推理时优化，从而稀疏化随机性而非稀疏化容量。 据该论文，该方法在双峰目标上对阈值不敏感，随机掩码方案最多差两个数量级；在 UCI 基准上性能与全随机网络相当，约一半参数保持确定性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。