贝叶斯神经网络自适应采样推断方法提出

Fabian Denoodt 与 Sibylle Hess 提出用置信序列动态决定贝叶斯神经网络每个输入所需的蒙特卡洛采样数，并在最可能类别识别、完整预测分布逼近和概率阈值决策三类任务上维持统计保证。 该方法按输入难度分配采样：模糊输入获得更多采样，简单输入获得更少，从而在保持决策可靠的同时降低整体延迟。研究者的实验显示了这一分配效果。该工作发表于 NeurIPS 2026 Workshop: E-Values。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。