冷後驗效應（cold posterior effect）

貝氏深度學習核心的一個謎。理論上，用真正的貝氏後驗來預測應該是最優的。但實務上 Wenzel 等人發現：對深度網路而言，把後驗銳化，將它升到 T 分之一次方、溫度 T 小於一，反而能得到更好的準確率與概似，等於比貝氏所說的更信任資料。「冷」後驗，T 小於一，勝過 T 等於一的真正後驗，這令人不安。

調溫後驗就是把貝氏後驗升到 T 分之一次方：T 等於一時是精確貝氏，而當 T 趨近零時它塌縮為 MAP 估計。這個效應就是「測試效能往往隨 T 降到一以下而單調改善」這個觀察。提出的解釋包括：資料增強讓有效概似把每筆資料數算多次，所以真正的 T 隱含小於一、我們放在權重上的先驗很差而過度正則化、概似設定錯誤，以及資料集的篩選破壞了獨立同分布的生成假設。究竟哪個原因主導仍有爭議。

冷後驗效應之所以重要，是因為它質疑：我們近似推論的勝利，究竟來自「身為貝氏」，還是來自無意間下調了一個壞先驗的權重。後續工作主張其中大部分是資料增強與篩選的產物，而非貝氏的深層失敗，但它仍是「別把深度網路的後驗照單全收」這項警世故事的標準範例。