Dirichlet 分布是概率论与机器学习中一种定义在单纯形上的连续分布，常作为分类概率、混合比例等“占比型”随机变量的先验，是贝叶斯建模和不确定性估计的基础工具之一。近期它在联邦学习的数据划分、证据深度学习和不确定性量化等方向被频繁使用，同时也伴随一些方法论上的讨论。
Dirichlet 相关研究近期进展
当前焦点与观察点
从近期文献看，Dirichlet 的角色可以归为三类：作为 non-IID 划分的实验控制参数、作为分类概率的共轭先验、以及作为证据学习中的分布建模工具。前两类属于成熟惯例，争议主要在于用 Dirichlet 划分数据能否真实代表现实中的客户端异质性，不同浓度参数的选择也会显著影响方法对比结论；后一类则聚焦于证据加权与校准能力是否稳定。对研究者而言，观察点是这些基于 Dirichlet 的方法在更大规模任务（如代码智能体、卫星网络联邦学习）上的复现效果，以及是否存在更贴近真实数据分布的替代方案。