通过先验尺度深度权重分解实现部分随机性
Get the story
2026年10月8日，arXiv Statistics Machine Learning 发布一手论文，提出通过先验尺度的深度权重分解实现部分随机性。该方法针对贝叶斯神经网络的先验尺度（即参数先验的标准差）施加深度权重分解，学习哪些参数应保留为随机变量，低于阈值的参数转为确定性并在推理中优化，从而稀疏化随机性而非容量。实验显示，在 UCI 基准上，该方法与全随机网络表现相当，同时保持约一半参数为确定性；在双峰目标上，学习到的划分在各预算下接近无约束参考，而随机掩码表现差至多两个数量级。目前未见后续验证或矛盾报道。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning通过先验尺度的深度权重分解实现部分随机性：稀疏化随机性而非容量
论文提出对贝叶斯神经网络先验尺度（参数先验的标准差）施加深度权重分解，学习哪些参数应为随机变量，低于阈值的参数转为确定性并在推理中优化。在 UCI 基准上，该方法与全随机网络表现相当，同时保持约一半参数为确定性；在双峰目标上，学习到的划分在各预算下接近无约束参考，随机掩码则差至多两个数量级。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.