深度学习创新点不足？试试贝叶斯神经网络！

大家做深度学习还卷的动吗？有没有被导师和同门师兄师姐说创新点不足？那今天我就来给大家推荐一个冷门创新点：贝叶斯神经网络BNN！

众所周知，传统的神经网络虽然很强大，但时常会有过拟合、泛化能力不足的问题...而且，我们往往也不清楚预测结果的可靠程度。而BNN通过引入概率分布来描述网络参数的不确定性，从而在处理数据时能够更好地应对噪声和异常值，实现更高的鲁棒性。

更赞的是，BNN不仅代码实现非常简单，还可以和LSTM、Transformer等热门网络相结合，在各种下游任务中显著提升模型表现。这对于论文er来讲，可以说是绝佳发文选择！近期更是有成果登上顶刊TPAMI、顶会Neurips...

为帮助想要发论文的同学快速找到创新思路，本文整理了12篇贝叶斯神经网络最新paper给大家参考，开源代码已附，希望能给各位的论文加加速。

全部论文+开源代码需要的同学看文末

Uncertainty quantification in multiaxial fatigue life prediction using Bayesian neural networks

方法：论文提出了一个有效的贝叶斯神经网络模型，用于量化多轴疲劳寿命预测中的不确定性。该模型使用疲劳参数作为输入，利用No-U-turn Sampler（NUTS）和自动微分变分推断（ADVI）来解决模型中的推断问题，并为未知非比例加载路径和不同材料进行寿命预测。