딥러닝 모델의 불확실성 추정을 위한 라플라스 근사는 헤세이안 행렬을 역전파해야 하는 어려움이 있었어요. 이를 해결하기 위해 서브 네트워크 라플라스 근사라는 새로운 방법이 제시되었는데, 모델 파라미터의 일부만 활용하여 계산 부담을 줄이는 방식이에요.
연구 결과, 기존 서브 네트워크 라플라스 방법은 예측 분산을 과소평가하는 경향이 있으며, 유지되는 파라미터가 증가할수록 이 편향은 줄어든다는 것을 밝혀냈어요.
새로운 방법론인 Gradient-Laplace와 Greedy-Laplace는 기존 방식보다 성능이 뛰어나며, 이론적 보증과 다양한 환경에서의 실험을 통해 우수성을 입증했어요.