连续不确定概率神经网络

本文提出一种称为 CIPNN——连续不确定概率神经网络（Continuous Indeterminate Probability Neural Network）的通用模型，该模型基于用于离散潜随机变量的 IPNN。目前，连续潜变量的后验被视为难以处理的，借助 IPNN 提出的新理论，该问题可得以解决。我们的贡献有四点。第一，我们推导了连续潜随机变量后验计算的解析解，并提出了一种通用分类模型（CIPNN）。第二，我们提出了一种称为 CIPAE——连续不确定概率自编码器（Continuous Indeterminate Probability Auto-Encoder）的通用自编码器，其解码器部分不是神经网络，并首次使用了全概率推断模型。第三，我们提出了一种可视化潜随机变量的新方法，我们将 N 维潜变量之一作为解码器来重建输入图像，即便对于分类任务也能工作，借此可见各潜变量所学内容。第四，IPNN 已展现出卓越的分类能力，CIPNN 将此种分类能力推向极致。理论优势在实验结果中得以体现。