PulseAugur
中
实时 09:59:19
English(EN) Direct Bethe Free Energy Minimization for Bayesian Neural Networks

新的SCROLL方法通过Bethe自由能优化贝叶斯神经网络

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种训练贝叶斯神经网络的新方法，称为SCROLL（Shared-Cavity fRee-rOuting Last-Layer）。该方法优化Bethe自由能而非典型的证据下界（ELBO），旨在实现网络组件之间的局部一致性。SCROLL专为单次训练而设计，可以处理各种似然函数，在多个基准数据集上显示出预测准确性和校准方面的性能提升。 AI

影响 引入了一种新颖的贝叶斯神经网络训练目标，可能提高性能和效率。

排序理由 学术论文，详细介绍了训练贝叶斯神经网络的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的SCROLL方法通过Bethe自由能优化贝叶斯神经网络

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Pavel Prochazka ·

    Direct Bethe Free Energy Minimization for Bayesian Neural Networks

    arXiv:2605.08446v3 Announce Type: replace Abstract: Bayesian neural networks are typically trained against the evidence lower bound (ELBO), whose Jensen gap closes only when the variational posterior is exact. We instead train by local consistency: gradient descent on the Bethe f…

相关实体

相关话题