我们的经验表明，在简单线性回归问题中，无论是在模型平均/选择还是在贝叶斯岭回归设置中，贝叶斯推断在错误指定的情况下都可能不一致。我们使用标准线性模型，该模型假设同方差，而数据是异方差的（不过，重要的是，没有离群值）。随着样本量的增加，后部将其质量放在更高维度的越来越差的模型上。这是由于超压缩后验函数将其质量放在与地面真实值的KL偏离比其平均值大得多的分布上的现象，即贝叶斯预测分布。为了解决这个问题，我们将贝叶斯定理中的似然配置为一个称为学习率的指数，并提出安全贝叶斯方法从数据中学习学习率。一旦发生超压缩，SafeBayes倾向于选择较小的学习率，并进行更多的正则化。它在我们的数据上的结果非常令人鼓舞。