热力学贝叶斯推断
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了复杂预测模型（如深度神经网络）中贝叶斯后验采样的难题，提出了一种通过物理实现Langevin动力学的电子模拟设备进行贝叶斯推断的新方法。研究表明，该方法在合理假设下，能够以时间复杂度 $\ln(d)$ 进行采样，显示出热力学计算在快速和能量高效的贝叶斯推断中的潜力。
本文介绍了在贝叶斯学习框架下量化神经普通微分方程权重不确定性的方法。在MNIST数据集上，使用GPU加速的多种推理方法成功集成了神经ODE。首次展示了变分推理与标准化流和神经ODE的结合，生成了强大的贝叶斯神经ODE。最后，展示了如何利用常微分方程识别动力系统中的模型规范，为探索不确定性提供科学工具。
