Bernhard Klein

新方法通过单次前向传播加速贝叶斯神经网络

研究人员开发了一种新方法，通过使用单次概率前向传播（PFP）和代码生成来加速贝叶斯神经网络（BNNs）。这种方法显著降低了传统BNNs的计算成本，而传统BNNs通常需要多次前向传播来进行不确定性估计。PFP方法假设权重和激活服从高斯分布，允许进行解析不确定性传播，并实现了显著的加速，对于小批量数据可达4200倍，同时保持了准确性并改善了域外检测能力。这项技术对于在资源受限的系统（如嵌入式ARM CPU）上部署BNNs尤其有前景。