针对类别标签不确定且部分误设混合模型的模块化贝叶斯推理

研究者提出一种模块化贝叶斯推理框架，用于解决潜在群体类别标签不确定且非目标群体模型存在设定偏差（misspecified）时的后验推断失真问题。该方法利用固定类别概率将分类与下游推理彻底解耦，防止不可靠群体的似然贡献影响目标参数。计算上只需对标签分配进行采样并拟合受保护模型后取后验均值，已在合成实验与测光超新星宇宙学分析中完成验证。