抽象的

现有的神经网络治疗方法通常以较弱的先验和近似后分布为特征，所有权重独立绘制。在这里，我们考虑了一个更丰富的先前分布，在该分布中，网络中的单元由潜在变量表示，并且单位之间的权重有条件地根据这些变量的集合值绘制。这允许相关权重之间的丰富相关性，并且可以看作是通过贝叶斯复杂性正常化程序确保简单解决方案的函数。我们说明了由此产生的元代表和表示形式，阐明了这一先验的力量。

作者

Theofanis Karaletsos，，，，彼得·戴丹（Peter Dayan），，，，Zoubin Ghahramani

会议

UDL 2018

完整的纸

“神经网络的概率元代表”（PDF）

Uber AI