Trace-class Gaussian priors for Bayesian learning of neural networks with MCMC
用于神经网络贝叶斯学习与 MCMC 的迹类高斯先验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论神经网络函数先验与通用 MCMC，强化学习示例不足以对应所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于神经网络贝叶斯学习与 MCMC 的迹类高斯先验
- 研究问题
- 研究如何构造在神经网络宽度趋于无穷时仍有定义的函数先验，并使相应后验的蒙特卡洛采样保持稳定。
- 方法与思路
- 作者为权重和偏置设置独立高斯先验，让方差随网络宽度下降，并采用 Hilbert 空间 MCMC 抽样函数后验。
- 材料陈述的贡献
- 摘要称所得函数先验具有良好的无限宽极限，且增加先验参数时 MCMC 接受概率不退化，并给出强化学习示例。
- 阅读关注点
- 应核对方差衰减规则、无限宽函数存在的条件、后验构造及 MCMC 稳定性的含义，并区分接受率与混合效率。
- 阅读边界
- 仅据所给 Crossref 摘要；未给出具体先验条件、采样复杂度或实验数值，接受概率稳定不能单独说明整体采样效率。
原文摘要
Abstract This paper introduces a new neural network based prior for real valued functions. Each weight and bias of the neural network has an independent Gaussian prior, with the key novelty that the variances decrease in the width of the network in such a way that the resulting function is well defined in the limit of an infinite width network. We show that the induced posterior over functions is amenable to Monte Carlo sampling using Hilbert space Markov chain Monte Carlo (MCMC) methods. This type of MCMC is stable under mesh refinement, i.e. the acceptance probability does not degenerate as more parameters of the function's prior are introduced, even ad infinitum. We demonstrate these advantages over other function space priors, for example in Bayesian Reinforcement Learning.