深度贝叶斯分类的函数空间正则化

基于摘要分析。本文研究深度贝叶斯分类中权重空间先验依赖模型、难以解释和指定的问题，提出在预测空间施加 Dirichlet 先验，并进行近似函数空间变分推断，以约束分类模型的预测分布。 核心机制是将随机神经网络分类器输出的常规类别预测，解释为隐式 Dirichlet 分布的样本。通过调整推断过程，同一函数空间先验可与不同模型结合，而不改变模型架构或规模。其方法价值在于将先验约束从具体参数移向预测行为；摘要未提供具体变分目标、分布近似方式及计算开销，尚不能判断实现细节与适用边界。 作者报告通过玩具实验展示该先验的灵活性和有效性，并在大规模图像分类实验中展示可扩展性、不确定性量化改善及对抗鲁棒性提升。摘要未给出数据集、对照基线、指标或数值，因此不能判断改善幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于 EEG 分类器的不确定性约束，但原论文的主要研究对象是图像分类，并未提供 BCI 有效性证据。迁移需要分类标签及可产生随机预测的模型；可考虑复用预测空间先验与函数空间推断，重新适配 EEG 输入模型、类别设置和先验强度。低信噪比、跨被试分布变化、通道差异及小样本条件可能使先验与真实预测分布失配，导致不确定性失准。一个可证伪的小实验是在固定跨被试划分和同一 EEG 分类器下，对比加入该正则化前后的分类表现、校准误差与错误检测能力，并核查额外计算成本。已有 EEG 相关工作尚未检索确认。