苏黎世联邦理工学院计算机科学系的一位博士生 Vincent Fortuin 对贝叶斯深度学习先验进行了重新审视。本篇论文强调了先验选择对贝叶斯深度学习的重要性，重讨论标准非信息性先验的替代选择，并重新回顾审视（深度）高斯过程、变分自编码器、贝叶斯神经网络的现有先验设计，并简要概述从先验数据中学习先验的方法。

论文链接：https://arxiv.org/pdf/2105.06868.pdf

最后，作者做出了总结：在贝叶斯模型中选择良好的先验对实现实际的理论和经验属性至关重要，包括不确定性估计、模型选择、最佳决策支持。虽然贝叶斯深度学习的从业人员目前通常选择各向同性的高斯（或类似的无信息）先验，但是这些先验通常是错误指定的，并且在推断过程中可能导致一些意想不到的负面后果。另一方面，精心选择的先验可以提高性能，甚至可以实现新视角的应用程序。幸运的是，当下流行的贝叶斯深度学习模型有多种替代的先验选择，例如深度高斯过程、变分自编码器、贝叶斯神经网络。而且，在某些情况下，甚至可以仅从数据中学习到这些模型有用的先验。

内容中包含的图片若涉及版权问题，请及时与我们联系删除