---
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]]