【導讀】貝葉斯深度學習對於理解深度學習這個黑盒子能提供可解釋性，在深度學習理論研究中這幾年也是非常地熱。機器學習專家Andrew Gordon Wilson 在這個PPT教程詳細講述了模型選擇、貝葉斯和頻率的區別、貝葉斯推斷、預測分布、Beta分布、高斯過程、神經網絡、以及作者最新提出的Bayesian GAN。
為什麼需要使用貝葉斯深度學習（Bayesian Deep Learning）?
為什麼不呢?
在過去的兩年裡，作者將這些局限性作為一個非常富有成果的研究方向的一部分，並取得了令人振奮的進展。詳細見PPT內容。
摘要
生成對抗網絡（GANs）可以隱式地學習圖像，音頻和數據上豐富的分布表示，這些分布難以顯式地進行建模。 作者提出了一種實用的貝葉斯公式，用於使用GAN進行無監督和半監督學習。
在此框架內，作者使用隨機梯度哈密頓蒙特卡羅（Hamiltonian Monte Carlo）來邊緣化生成器和判別器網絡的權重。 這種方法簡單直觀，並且在沒有任何標準幹預（比如標籤平滑或小批量判別）的情況下獲得良好的性能。 通過探索生成器參數的表達後驗，Bayesian GAN避免了模型崩潰，產生了可解釋和多樣化的候選樣本，並為包括SVHN，CelebA和CIFAR-10在內的基準測試提供半監督學習的最好的（state-of-the-art）定量結果。 並且表現優於DCGAN，Wasserstein GAN和DCGAN。
https://arxiv.org/abs/1705.09558
https://github.com/andrewgordonwilson/bayesgan
請關注專知公眾號（掃一掃最下面專知二維碼，或者點擊上方藍色專知），
作者主頁連結：
https://people.orie.cornell.edu/andrew/
附PPT原文：
人工智慧領域主題知識資料查看與加入專知人工智慧服務群：
【專知AI服務計劃】專知AI知識技術服務會員群加入與人工智慧領域26個主題知識資料全集獲取。歡迎微信掃一掃加入專知人工智慧知識星球群，獲取專業知識教程視頻資料和與專家交流諮詢！
請PC登錄www.zhuanzhi.ai或者點擊閱讀原文，註冊登錄專知，獲取更多AI知識資料！
請加專知小助手微信（掃一掃如下二維碼添加），加入專知主題群（請備註主題類型：AI、NLP、CV、 KG等）交流~
請關注專知公眾號，獲取人工智慧的專業知識！
點擊「閱讀原文」，使用專知