贝叶斯神经网络部分随机化新方法

Marius P Linhard 与 Maurizio Filippone 发布论文，提出用深度权重分解学习贝叶斯神经网络中哪些参数应随机：先验尺度低于阈值的参数转为确定性并在推理中优化，使正则化稀疏化随机性而非容量。在双峰目标上，学到的拆分在各预算下接近无约束参考且对阈值不敏感，随机掩码方案最多差两个数量级。在 UCI 基准上，该方法与全随机网络持平，约一半参数保持确定性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。