2026年贝业思面试测试题及答案

2026年贝业思面试测试题及答案

一、单项选择题（每题2分，共20分）1.在贝叶斯推断中，若先验分布为Beta(2,3)，似然函数为二项分布Bin(n=10,k=4)，则后验分布的参数为A.Beta(2,3)B.Beta(4,6)C.Beta(6,9)D.Beta(6,7)2.下列关于共轭先验的叙述正确的是A.任何似然函数都存在共轭先验B.共轭先验的后验分布与先验属于不同族C.泊松分布的共轭先验是Gamma分布D.正态似然方差已知时其共轭先验是逆Gamma3.若模型证据p(D|M)越大，则A.模型M越复杂B.模型M对数据D的预测能力越弱C.贝叶斯因子BF_{10}越小D.数据D在该模型下的边缘似然越高4.在MCMC采样中，若接受率持续低于0.1，应优先A.增大proposal方差B.减小proposal方差C.增加链长D.改变目标分布5.对高维参数空间，最可能缓解“维数灾难”的方法是A.拒绝采样B.重要性采样C.哈密顿蒙特卡洛D.网格近似6.若p(θ|D)∝exp(−|θ|/b)，则θ的MAP估计为A.均值B.中位数C.众数D.标准差7.在贝叶斯模型比较中，若BF_{12}=0.05，则A.模型1优于模型2的证据为“强”B.模型2优于模型1的证据为“强”C.两模型无差异D.需计算WAIC进一步确认8.使用EmpiricalBayes时，超先验参数通过A.最大化边缘似然估计B.最大化后验众数C.交叉验证D.先验知识固定9.若后验预测分布p(y|D)的方差明显大于采样方差，说明A.模型过拟合B.模型欠拟合C.数据噪声被低估D.参数后验集中10.在VariationalInference中，ELBO直接优化的是A.KL(q||p)B.KL(p||q)C.边缘似然D.预测似然二、填空题（每题2分，共20分）11.若θ~Beta(a,b)，则E[θ]=________。12.对正态‐正态模型，若似然N(μ,σ²)且σ²已知，μ的先验为N(μ₀,τ²)，则后验均值为________与________的加权平均。13.贝叶斯定理中，边缘似然p(D)又称为________。14.在Gibbs采样中，每次迭代依次从________分布中采样。15.若proposal分布对称，则Metropolis‐Hastings接受概率简化为________。16.模型证据的对数可分解为“拟合项”减去________。17.当先验为无信息Jeffreys先验时，p(σ)∝________。18.若q(θ)为变分分布，则ELBO=L(q)=E_q[logp(D,θ)]−________。19.在BayesianLasso中，先验p(θ_j)采用________分布。20.对二分类问题，若采用Probit回归，潜变量模型中误差项服从________分布。三、判断题（每题2分，共20分，正确打“√”，错误打“×”）21.贝叶斯因子小于1总是表明原假设更可信。22.后验分布的众数一定等于后验均值。23.若链已收敛，不同初始值的MCMC链应给出相同的遍历均值。24.使用非信息先验时，后验分布不受样本量影响。25.在共轭分析中，后验参数可写成先验参数加数据统计量。26.WAIC值越小表示模型预测能力越好。27.哈密顿蒙特卡洛需要计算目标分布的梯度。28.边缘后验p(θ₁|D)可通过积分联合后验p(θ₁,θ₂|D)获得。29.变分推断保证找到全局最优变分分布。30.贝叶斯置信区间与频率学派置信区间在解释上完全相同。四、简答题（每题5分，共20分）31.简述贝叶斯更新与频率学派参数估计在不确定性量化上的核心差异。32.给出两种判断MCMC链收敛的图形方法并说明其原理。33.解释“先验影响随样本量增加而减弱”的数学机制。34.说明VariationalInference与MCMC在偏差‐方差权衡上的不同取舍。五、讨论题（每题5分，共20分）35.讨论在高维变量选择中，Horseshoe先验相比Laplace先验的优缺点。36.当模型证据无法解析获得时，比较NestedSampling与BridgeSampling的适用场景。37.分析贝叶斯深度学习在小数据场景下如何利用先验缓解过拟合。38.探讨贝叶斯A/B测试在业务落地时如何平衡统计显著性与运营成本的矛盾。答案与解析一、1.C2.C3.D4.B5.C6.B7.B8.A9.C10.A二、11.a/(a+b)12.样本均值；先验均值13.边缘似然或证据14.完全条件15.min(1,exp(−Δlogp))16.复杂度惩罚17.1/σ18.KL(q||p)19.Laplace20.N(0,1)三、21×22×23√24×25√26√27√28√29×30×四、简答题答案31.贝叶斯将参数视为随机变量，通过先验与似然结合得到完整后验分布，从而直接给出参数不确定性的概率描述；频率学派把参数视为固定常数，用抽样分布构造置信区间，概率含义针对重复抽样而非参数本身。32.(1)Traceplot：观察多条链的采样路径是否重叠并围绕同一水平波动；(2)Gelman‐Rubin统计量图：计算链间与链内方差比，值趋近1表明收敛。33.后验∝先验×似然，似然项随样本量n指数增长，主导后验形状；先验贡献相对权重以O(1)速率保持不变，故n→∞时先验影响被稀释。34.VI引入近似族q，优化ELBO使q接近后验，计算快但有系统性偏差；MCMC无近似族限制，偏差小但方差高、计算慢，二者在计算预算与精度需求间取舍相反。五、讨论题答案35.Horseshoe为全局‐局部收缩先验，尖峰厚尾使大信号几乎无偏，小信号被强收缩，减少伪发现；Laplace先验尾部指数衰减，易过度收缩大系数，但在计算上可享线性时间更新，硬件友好。36.NestedSampling通过似然排序探索参数空间，适合证据估计且对多峰友好，但高维时采样效率低；BridgeSampling依赖重要性采样，需设计好的proposal，维数适中时方差较小，可并行化。37.小数据下深度网络易过拟合，贝叶斯方法为权重引入先验（如Variance‐Scaling、Sparse‐Gamma），通