高维统计处理从复杂模型设置中提取结构化信息的挑战。与大量的频率统计方法相比，理论上最优的高维模型贝叶斯方法很少。本文在结构化线性模型的一般框架中，对贝叶斯高维统计和贝叶斯非参数提供了一种统一的方法。利用提出的两步先验知识，我们证明了在允许模型错误指定的抽象设置下，后收缩的一般预言不等式。该一般结果可用于在许多复杂模型设置下获得最优后收缩的新结果，包括随机块模型、graphon估计和字典学习的最新工作。它还可以用于改进文献中的后收缩结果，包括稀疏线性回归和非参数聚集。成功的关键在于新的两步先验分布：一步用于模型结构，即模型选择，另一步用于模型参数。模型参数的先验值是能够建模大幅度信号的椭圆拉普拉斯分布，而模型结构的先验涉及补偿椭圆拉普拉思分布的归一化常数影响的因素，这对于获得最佳的后收缩率非常重要。