DNN の学習において、同一データに対して（異なる初期値での）複数回学習を実行し、得られた複数の異なる DNN のアンサンブルで予測するといった方法がしばしば取られる。このアンサンブル法は、様々な場面において単一モデルでの予測よりも安定的に良好な予測結果を与えることが経験的に知られている。この方法は、パラメータの事前分布を損失関数に対するボルツマン分布とした場合のベイジアンニューラルネットワークとして見なすことができる。本講演では、このアンサンブル法を上記のようなベイジアンニューラルネットワークとして再解釈し、その理論背景と利点について議論する。