我们在贝叶斯灵敏度分析的经典框架中推导出，从贝叶斯模型中获得的后验值的最佳上界和下界，该模型准确捕获任意数量的数据生成分布的有限维边缘和/或与Prokhorov或总变差度量中的数据生成分配尽可能接近；这些界表明，在对有限精度测量的任意数量的样本数据进行处理后，此类模型仍然可能产生最大的可能预测误差。这些结果是通过对测度空间上的测度上的优化问题的归约演算的发展而获得的。我们使用这个演算来研究产生脆性/鲁棒性的机制，特别是，我们观察到学习和鲁棒性是对立的属性。众所周知，偏微分方程的数值解需要满足特定的稳定性条件。在有限信息下连续世界中使用贝叶斯推理是否存在丢失稳定性条件？