贝叶斯方法
从参数后验分布出发进行推断的统计方法，在深度学习中通过 MC Dropout、贝叶斯神经网络等技术实现不确定性估计，理论优雅但计算开销较大。
核心事实
时间轴 (近 90 天)
Flagsmith Experiments采用贝叶斯方法进行变体评估，输出某个变体优于另一个的概率。
贝叶斯方法允许在实验过程中持续观察而不必担心“偷看”导致的I类错误膨胀。
贝叶斯方法（如 MC Dropout、贝叶斯神经网络）从参数后验分布出发，通过多次随机前向传播采样来近似预测分布。
分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
应对测量误差的方法包括使用多次测量或仪器变量、采用误差校正模型或贝叶斯方法显式建模误差
贝叶斯方法可用历史失败率作为先验结合新观测更新后验分布，在样本稀少时保守估计真实风险
作者指出该显著性可能受样本量较小和多重比较的影响，存在偶然性
贝叶斯方法在20世纪90年代曾被神经网络热潮边缘化，但其理论价值在后来的深度学习不确定性量化中得到重新认可
全部知识事实 (9)
SURE不确定性建模让模型能表达置信度并在证据不足时选择弃权，区分认知不确定性与随机不确定性
75%待验证贝叶斯方法允许在实验过程中持续观察而不必担心“偷看”导致的I类错误膨胀。
50%待验证Flagsmith Experiments采用贝叶斯方法进行变体评估，输出某个变体优于另一个的概率。
50%待验证贝叶斯方法（如 MC Dropout、贝叶斯神经网络）从参数后验分布出发，通过多次随机前向传播采样来近似预测分布。
50%待验证分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
50%待验证应对测量误差的方法包括使用多次测量或仪器变量、采用误差校正模型或贝叶斯方法显式建模误差
50%待验证贝叶斯方法可用历史失败率作为先验结合新观测更新后验分布，在样本稀少时保守估计真实风险
50%待验证作者指出该显著性可能受样本量较小和多重比较的影响，存在偶然性
50%待验证贝叶斯方法在20世纪90年代曾被神经网络热潮边缘化，但其理论价值在后来的深度学习不确定性量化中得到重新认可
50%