本次查询：Bayesian Deep Learning
中文解释：贝叶斯深度学习
常见场景：需要量化模型预测不确定性的高风险应用场景 / 如自动驾驶感知 / 医学影像诊断 / 金融风险评估 / 药物分子活性预测等
一句话解释
贝叶斯深度学习是给深度神经网络的每个权重（参数）加上一个概率分布，而不是一个固定数值。训练时模型学习这些分布的参数，预测时对多个采样结果进行平均，同时得到预测值及其置信区间，从而让模型知道自己“是否拿得准”。
为什么会被关注
传统深度神经网络虽然准确率高，但输出结果缺乏可靠性指标——模型可能对一个从未见过的噪声图片给出99%的置信度，这在医疗、自动驾驶等场景中极其危险。贝叶斯深度学习提供了系统的数学框架来衡量预测的不确定性，使AI系统更透明、更可信，也更容易与人类决策者配合。
核心逻辑
核心思想是将模型参数视为随机变量，并学习其后验分布 p(θ|D)。训练时通过变分推断或蒙特卡洛方法来近似这个分布；预测时对参数分布进行多次采样，前向传播得到多个预测结果，计算均值作为最终输出，方差作为不确定性。常用的近似方法包括蒙特卡洛Dropout和Bayes by Backprop。
常见场景
在自动驾驶中，贝叶斯深度学习可以对感知模型输出不确定性，当检测到行人位置不确定时，系统自动降速或提示人工接管。在医疗影像分析中，病灶分割模型能给出每个像素的置信度图，帮助医生筛选可疑区域。在推荐系统中，不确定性可用于平衡探索与利用，避免陷入信息茧房。
容易混淆的点
容易与“概率图模型”或“贝叶斯网络”混淆：前者是静态图结构推理，后者是深层非线性特征学习与不确定性估计的结合。也容易误以为贝叶斯深度学习必然降低精度：实际上它往往通过正则化提升泛化能力，且输出分布能提供比单一预测更丰富的信息。另外，不熟悉数学的人可能认为它计算开销极大，但当代方法如蒙特卡洛Dropout几乎不增加训练成本。