본 논문은 Bayesian Neural Networks (BNNs)의 높은 계산 요구량과 깊은 네트워크 학습의 어려움을 해결하기 위해, 가중치 공유 양자화 기법을 확률적 관점에서 재해석하는 방법을 제시합니다. 2D 적응형 가우시안 분포, Wasserstein 거리 추정, 알파 블렌딩을 활용하여 BNN의 확률적 행동을 저차원의 소프트 가우시안 표현으로 인코딩합니다. ResNet-101 및 Vision Transformer (ViT)와 같은 대규모 모델의 효율적인 베이지안 학습을 가능하게 하며, CIFAR10, CIFAR100, ImageNet1k 등의 컴퓨터 비전 벤치마크에서 모델 매개변수를 약 50배 압축하고 모델 크기를 75% 줄이면서 최첨단 수준의 정확도와 불확실성 추정을 달성합니다.
