본 논문은 기존의 자기회귀 및 순환 신경망(Autoregressive and recurrent networks)의 불확실성(uncertainty) 처리 부족 문제를 해결하기 위해, 베이지안 자기회귀 및 순환 신경망(BARNN: Bayesian Autoregressive and Recurrent Neural Network)을 제시합니다. BARNN은 변분적 드롭아웃(variational dropout) 방법을 기반으로, 기존 모델을 베이지안 버전으로 전환하는 체계적인 방법을 제공합니다. 특히, 시간적 변분적 사후 확률 혼합(tVAMP: temporal Variational Mixtures of Posteriors) prior를 도입하여, 대규모 순환 신경망에서도 효율적이고 잘 보정된 베이지안 추론을 가능하게 합니다. PDE 모델링과 분자 생성에 대한 광범위한 실험을 통해 BARNN이 기존 방법들과 비교하여 동등하거나 우수한 정확도를 달성할 뿐만 아니라, 불확실성 정량화 및 장기 의존성 모델링에서도 뛰어난 성능을 보임을 확인했습니다.
