最近,我阅读了有关贝叶斯神经网络(BNN)[Neal,1992],[Neal,2012]的一些论文,这些论文给出了神经网络中输入和输出之间的概率关系。通过MCMC训练这种神经网络,这与传统的反向传播算法不同。
我的问题是:使用这种神经网络有什么优势?更具体地说,您能否提供一些更适合BNN而非NN的示例?
最近,我阅读了有关贝叶斯神经网络(BNN)[Neal,1992],[Neal,2012]的一些论文,这些论文给出了神经网络中输入和输出之间的概率关系。通过MCMC训练这种神经网络,这与传统的反向传播算法不同。
我的问题是:使用这种神经网络有什么优势?更具体地说,您能否提供一些更适合BNN而非NN的示例?
Answers:
贝叶斯神经网络可用于解决数据稀缺的领域中的问题,以防止过度拟合。在这种情况下,他们经常击败所有其他方法。示例应用程序是分子生物学(例如本文)和医学诊断(数据通常来自昂贵且困难的过期工作的领域)。实际上,贝叶斯网络具有普遍的用途,可以在大量任务中获得更好的结果,但是要解决大问题却极为困难。
BNN优于NN的一个优势是,当处理未知目标的数据时,您可以自动计算与预测相关的误差。使用BNN,我们现在正在进行贝叶斯推理。让我们将BNN预测定义为,其中是NN函数,是您的输入,是神经网络参数,x,t是训练输入和目标。这应该与Neal在@forecaster提供的链接中使用的语法兼容。然后,我们可以计算后验预测分布的标准偏差,我会简单地将其用作预测的准确性: