---
title: "證據與證據下界（Evidence）"
slug: evidence
language: zh-TW
source: https://aiterms.tw/terms/evidence
updated_at: 2026-06-27
tags: [生成式AI, 統計方法, 深度學習, 最佳化, source:arxiv]
ipas_term: false
---

# 證據與證據下界（Evidence）

在貝氏推論中，證據指觀測資料的邊際機率。因計算困難，實務上常透過最大化證據下界來最佳化生成模型。

## 完整說明

證據是一種在機率模型中表示資料邊際機率的指標，用於評估模型對資料的解釋能力。它能夠客觀量化模型假設的優劣。因高維積分難以計算，常見應用包括在變分自編碼器等生成式AI中，改為最大化證據下界（ELBO）來間接完成神經網路的最佳化與訓練。

## 常見問題

### 為什麼變分自編碼器（VAE）不直接最大化真實證據，而要最大化證據下界（ELBO）？

在複雜的深度生成模型中，計算真實證據需要對潛在空間中所有高維度隱含變數進行積分。由於潛在空間連續且維度龐大，此積分在數學上無解析解且無法暴力計算。ELBO 提供了一個由期望值構成的數學下界，不僅可透過蒙地卡羅方法採樣逼近，還能利用隨機梯度下降法最佳化。透過最大化 ELBO，我們能在避開高維積分難題的同時，間接提升模型的解釋力。

### ELBO 公式中的兩個主要項目分別代表什麼實際意義？

ELBO 由重建概似度與先驗正則化項組成。前者衡量給定潛在變數時，解碼器能多精準地重建原始輸入資料，確保模型學到有效的特徵表達；後者計算近似後驗分佈與先驗分佈間的散度，迫使潛在空間保持規則與平滑。這兩項在訓練過程中相互制約：重建項追求記憶資料細節，正則化項追求空間的泛化能力，兩者完美平衡才造就了生成模型優異的輸出表現。

### 什麼是變分推論中的「後驗崩潰（Posterior Collapse）」，該如何解決？

後驗崩潰常見於結合強大自迴歸解碼器的變分模型中。當解碼器能力過強時，模型會徹底忽視編碼器傳來的潛在變數，導致近似後驗分佈直接退化為先驗分佈，模型失去學習有效潛在表徵的能力。解決此問題的實用技術包括退火機制，在訓練初期將正則化權重設為零並逐漸增加；或是設定正則化項的下限數值，強迫每個潛在維度都必須穩定編碼一定量的關鍵資訊。

---

來源：https://aiterms.tw/terms/evidence
快查頁：https://aiterms.tw/terms/evidence
最後更新：2026/06/27
深度解說：https://aiterms.tw/learning/what-is-evidence