12篇论文助力贝叶斯神经网络，一整个被拿捏住，狂发顶会！

贝叶斯神经网络（BNN）作为深度学习领域的创新技术，正逐渐改变着我们对模型预测和不确定性处理的方式。它突破了传统神经网络的局限，通过引入贝叶斯推断，将网络参数视为概率分布，不仅能给出预测结果，还能量化预测的不确定性，为决策提供更可靠的依据。

在实际应用中，BNN展现出了巨大的潜力。从工程领域的疲劳寿命预测，到航空航天的气动载荷估计，它都能有效提升预测的准确性和可靠性。随着研究的深入，BNN相关的成果不断涌现，在顶会顶刊上频繁亮相，为众多研究方向提供了新的思路和方法。

如果你对BNN感兴趣，想要探索其更多的可能性，那么我给大家提供的12篇论文和相关代码将是绝佳的起点。它们详细阐述了BNN在不同领域的应用与创新。阅读这些论文，你将深入了解BNN的技术细节、创新点以及实际应用效果，为你的研究和实践提供有力的支持。

全部论文+开源代码需要的同学看文末

【论文1】Uncertainty quantification in multiaxial fatigue life prediction using Bayesian neural networks

Framework of BNN model.

1.方法

Flowchart of this study.

论文提出利用贝叶斯神经网络（BNN）量化多轴疲劳寿命预测中的不确定性。以多轴疲劳寿命预测模型中的疲劳参数作为 BNN 的输入，运用无 U 形转弯采样器（NUTS）和自动微分变分推断（ADVI）解决模型中的推断问题，进而对未知非比例加载路径和不同材料进行寿命预测。

2.创新点

Prediction results of D1_ADVI model within the same material.

1. 引人BNN量化不确定性：首次将BNN用于多轴疲劳寿命预测的不确定性量化，为评估预测可靠性提供新途径，助力工程设计与安全评估。

2. 多算法协同优化：利用NUTS和ADVI训练BNN，解决模型推断难题，提升模型对未知加载路径和不同材料疲劳寿命的预测能力。

3. 创新输入参数选择：预测不同材料疲劳寿命时，引入(\sigma_{u})和(E)作为输入，考虑材料特性差异，提高预测准确性。

论文链接：https://www.sciencedirect.com/science/article/pii/S0013794424001243

【论文2】Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads

Architecture schema of MF-BayNet

1.方法

Bayesian Optimization for Hyperparameter Tuning

论文提出了一种创新的多保真框架，将贝叶斯神经网络（BNNs）与迁移学习（TL）相结合。该框架利用 BNNs 对网络权重的概率分布，通过蒙特卡洛采样获取预测均值和标准差，量化预测不确定性；同时运用迁移学习，先利用低保真数据进行初始训练，再用稀疏的高保真样本微调，融合不同保真度数据源的数据 。

2.创新点

Impact of aleatoric uncertainty on the model predictions

• 融合多保真数据：开发了一种全新的多保真框架，有效结合贝叶斯神经网络和迁移学习，充分利用不同保真度的数据，提升预测准确性。

• 不确定性量化：借助贝叶斯推断，MF - BayNet模型不仅给出预测结果，还能量化预测的不确定性，在不确定性量化和预测可靠性方面表现出色。

• 超越传统方法：该模型在整体准确性和对未知数据的鲁棒性上超越了传统的Co - Kriging方法，预测误差仅为其一半，标准差更低 。

论文链接：https://arxiv.org/pdf/2407.05684

关注下方《AI前沿速递》🚀🚀🚀

回复“C191”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏