Bài báo này phân tích việc sử dụng chưa hiệu quả mạng nơ-ron Bayes (BNN) do sự không nhất quán của phân phối xác suất hậu nghiệm Gauss chuẩn với hình học mạng, sự bất ổn định của số hạng KL trong các chiều cao, và hiệu chỉnh độ bất định không đáng tin cậy mặc dù độ phức tạp triển khai tăng lên. Chúng tôi xem xét lại vấn đề từ góc độ chính quy hóa và độ bất định của mô hình bằng cách sử dụng phân phối xác suất hậu nghiệm von Mises-Fisher, chỉ phụ thuộc vào hướng trọng số. Điều này tạo ra một giá trị vô hướng duy nhất, có thể diễn giải được trên mỗi lớp, nhiễu chính quy hóa hiệu dụng ($\sigma_{\mathrm{eff}}$), tương ứng với nhiễu Gauss cộng đơn giản trong quá trình truyền thẳng và cho phép hiệu chỉnh KL dạng đóng, gọn nhẹ, có nhận biết chiều. Bằng cách đưa ra một phép xấp xỉ dạng đóng chính xác giữa nồng độ $\kappa$, phương sai kích hoạt và $\sigma_{\mathrm{eff}}$, chúng tôi tạo ra một đơn vị biến phân nhẹ, có thể triển khai được, phù hợp với các kiến trúc chính quy hóa hiện đại và cải thiện hiệu chuẩn mà không làm giảm độ chính xác. Nhận thức về chiều là rất quan trọng đối với quá trình tối ưu hóa ổn định trong các chiều cao và chúng tôi chứng minh rằng BNN có thể có nguyên tắc, thực tế và chính xác bằng cách căn chỉnh xác suất sau biến thiên với hình học nội tại của mạng.
