Beta-Bernoulli 是贝叶斯统计中的基础模型组合：以 Beta 分布作为 Bernoulli（伯努利）试验中成功概率的先验，两者构成共轭关系，使得后验更新只需简单的代数运算。它广泛应用于多臂老虎机、汤普森采样和强化学习等场景，是连接经典概率论与现代机器学习决策理论的桥梁。
Beta-Bernoulli 相关研究近期进展
当前焦点与观察点
Beta-Bernoulli 模型本身已非常成熟，当前的研究兴趣主要集中在它的延伸应用而非模型结构本身。从近期文献看，有两个方向值得关注：一是非平稳环境下的汤普森采样，传统 Beta-Bernoulli 共轭更新假设环境不变，如何在分布漂移时保持采样策略的可靠性是活跃问题；二是采样复杂度的理论刻画，随着并行计算在推断中的普及，共轭模型的采样在下界与上界之间的差距成为理论焦点。
对普通读者而言，Beta-Bernoulli 的价值在于它是理解现代贝叶斯决策系统的入门模型：广告点击率估计、A/B 测试、推荐系统探索等都隐含着它的身影。尽管深度学习方法不断演进，这类简单共轭模型因其可解释性和计算高效性，在工程实践中依然保有稳固位置。