贝叶斯神经网络(BNN)的研究重心正从理论层面的后验近似与不确定性建模,转向更具现实意义的计算成本优化。这一转变使其在自动驾驶、医学影像及主动学习等场景中的应用潜力进一步释放。
当前值得关注的研究方向包括:后验近似与几何结构结合、低维子空间探索、与等变网络或大模型的融合,以及主动学习应用。相比单纯增加概率输出头,这些方向提供了更具体的问题切入点。
精选贝叶斯神经网络前沿论文解析
多轴疲劳寿命预测中的不确定性量化
论文标题:Uncertainty quantification in multiaxial fatigue life prediction using Bayesian neural networks
研究方法:提出一种基于贝叶斯神经网络的模型,用于量化多轴疲劳寿命预测的不确定性。该模型以疲劳参数为输入,采用No-U-turn Sampler(NUTS)和自动微分变分推断(ADVI)解决推断问题,实现对未知非比例加载路径及不同材料的寿命预测。
主要创新:
-
构建了基于BNN的多轴疲劳寿命预测及不确定性量化新框架。 -
开发D2模型架构,除疲劳参数外,引入极限强度、弹性模量等材料性能参数作为额外输入,显著增强了对不同材料特性的捕捉能力。
研究价值:通过NUTS与ADVI两种推断方式,在六种材料数据集上验证了模型优于传统机器学习方法,为工程结构可靠性设计与健康监测提供了有效的概率化评估手段。
拉曼与CARS光谱分析中的贝叶斯训练方法
论文标题:Log-Gaussian Gamma Processes for Training Bayesian Neural Networks in Raman and CARS Spectroscopies
研究方法:提出结合对数-高斯伽马过程和高斯过程的部分贝叶斯神经网络方法,用于生成和分析拉曼及相干反斯托克斯拉曼散射(CARS)光谱的合成数据。该方法旨在克服传统方法在处理测量噪声和背景信号时的局限,通过自动化且稳健的统计模型提升分析准确性与效率。
主要创新:
-
利用对数高斯伽马过程和高斯过程生成合成光谱数据。 -
训练两个贝叶斯神经网络估计伽马过程参数,从而推导拉曼光谱底层结构并提供不确定性信息。 -
使用高斯过程建模拉曼和CARS光谱中的加性及乘性背景函数。
研究价值:该研究通过生成仿真光谱数据集训练部分贝叶斯神经网络,实现了拉曼与CARS光谱校正及不确定性量化,有效解决了真实样本稀缺及传统神经网络无法评估预测不确定度的难题。
-END-

