本书系统性地构建了贝叶斯神经网络的理论框架，将变分推断与深度学习有机融合。作者以清晰的逻辑梳理了反向传播贝叶斯、蒙特卡罗丢弃等核心算法，尤其对KL散度约束下的变分优化推断极具启发性。书中将VAE的扩展形式与半监督实验相结合，为不确定性建模提供了可复现的工程范式，填补了传统教材中贝叶斯方法与神经网络割裂的空白。

第1章 导言
1.1 历史背景
1.2 符号说明
参考文献
第2章 统计推断基础
2.1 模型
2.2 指数分布族
2.3 信息度量
2.4 贝叶斯推断
2.5 共轭先验分布
2.6 点估计
2.7 小结与建议
参考文献
第3章 基于模型的机器学习和近似推断
3.1 基于模型的机器学习
3.2 近似推断
3.3 小结
参考文献
第4章 贝叶斯神经网络
4.1 贝叶斯神经网络简介
4.2 评估不确定性质量
4.3 反向传播贝叶斯
4.4 概率反向传播
4.5 蒙特卡罗丢弃
4.6 快速自然梯度
4.7 方法对比
4.8 进一步解释
4.9 小结
参考文献
第5章 变分自编码器
5.1 研究目标
5.2 生成模型评估
5.3 变分自编码器
5.4 重要性加权自编码器
5.5 VAE存在的问题
5.6 实验
5.7 应用：半监督学习生成模型
5.8 小结
参考文献
附录A 支撑材料
A.1 梯度估计器
A.2 CAVI的更新公式
A.3 广义高斯-牛顿近似
A.4 自然梯度与费希尔信息矩阵
A.5 高斯梯度恒等式
A.6 学生t分布
参考文献
缩略语
索引
彩色插图