本研究では、可逆ニューラルネットワークのトレーニングにおける正則化項が、再構成において知られているベイズ的点推定器を導出するかどうかを検討しています。可逆ネットワークは、その安定性と解釈性から逆問題において魅力的です。最近の研究では、再構成マップや前方演算子を近似するための最適化戦略がベイズ的観点から探索されてきましたが、それぞれに限界があります。これに対処するために、ネットワークトレーニングのための二つの正則化項を提案し、それぞれが古典的なベイズ的点推定器の特性をどのように回復するかを分析しています。一つは後部平均に関連し、もう一つはMAP推定器に似ています。理論的な分析により、損失関数が学習された前方演算子とその逆再構成マップにどのように影響を及ぼすかを明らかにしています。数値実験は、これらの損失項正則化がデータ依存性をどのように導入するかを示し、安定かつ解釈可能な方法で結果をサポートしています。