20260617:目前有914 页

concepts/bayesian-deep-learning.md

@@ -0,0 +1,39 @@
+---
+title: "贝叶斯深度学习 (Bayesian Deep Learning)"
+created: 2026-06-10
+updated: 2026-06-10
+type: concept
+tags: ["uncertainty-quantification", "variational-inference"]
+sources: ["[[principled-uncertainty-clinical-ai]]"]
+---
+
+# 贝叶斯深度学习 (Bayesian Deep Learning)
+
+**贝叶斯深度学习**将贝叶斯推断框架应用于深度神经网络，为权重和预测赋予概率分布而非点估计，从而自然地实现 [[uncertainty-quantification|不确定性量化]]。
+
+## 核心思想
+
+传统深度学习：学习确定性的权重 w -> 输出点估计 y_hat = f_w(x)
+
+贝叶斯深度学习：学习权重的后验分布 p(w|D) -> 输出预测分布 p(y|x, D)
+
+## 变分推断方法
+
+由于精确后验不可计算，使用变分推断近似：
+
+1. **[[variational-autoencoder|变分自编码器]]**（Kingma & Welling, 2014）：通过重参数化技巧优化 ELBO
+2. **[[mc-dropout|MC Dropout]]**（Gal & Ghahramani, 2016）：训练时 Dropout ≈ 深度高斯过程中的贝叶斯推断
+3. **Bayes by Backprop**（Blundell et al., 2015）：直接在权重上学习分布
+
+## 临床 AI 应用
+
+[[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]] 展示了完整的端到端贝叶斯管线：
+
+- 模态特定变分编码器 → 潜空间分布
+- [[precision-weighted-fusion|精度加权融合]] → 融合后验
+- 分解不确定性头 → [[epistemic-uncertainty|认知]] + [[aleatoric-uncertainty|随机]]
+
+## 参考
+- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
+- [[variational-autoencoder|VAE]]
+- [[mc-dropout|MC Dropout]]