低秩广义拉普拉斯近似用于神经网络不确定性量化

研究提出一种低秩广义拉普拉斯近似方法，用于神经网络不确定性量化，无需对整个网络参数做完整贝叶斯推断。该方法在预训练权重附近构建局部高斯近似，仅沿少量数据驱动的曲率方向（活跃子空间）计算后验方差，可闭式求解，先验方差经经验贝叶斯校准。 研究称，标准贝叶斯缩放会随数据规模收缩后验方差，而均值损失缩放能得到更稳定、低维的活跃子空间，并产生校准一致的预测置信区间。

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。