论文探讨贝叶斯原理在深度学习不确定性与泛化中的应用

本论文探讨了贝叶斯原理在增强对现代深度学习系统理解方面的应用，重点关注泛化和不确定性量化。它提出了深度变分隐式过程（DVIP）作为一种可扩展的贝叶斯框架，适用于深度架构，并提出了变分线性拉普拉斯近似（VaLLA）和固定均值高斯过程（FMGP）等事后方法，为预训练网络添加校准的不确定性估计。理论上，它利用PAC-贝叶斯和大型偏差理论，在一个概率框架内连接了多样性、平滑性和随机性，以解释过参数化神经网络的泛化能力。 AI

影响 引入了不确定性估计的新方法和理解深度学习泛化的理论框架。

排序理由 该集群包含一篇详细介绍机器学习新方法和理论贡献的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Deep Variational Implicit Process
• Fixed-Mean Gaussian Process
• PAC-Bayesian
• Variational Linearized Laplace Approximation

• 论文
• 其他

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