稀疏贝叶斯学习（SparseBayesianLearning）是一种基于贝叶斯框架的机器学习方法，主要用于解决稀疏信号处理和特征选择问题。它通过引入稀疏先验分布（如自动相关性确定，ARD）来鼓励模型参数中的稀疏性，从而自动识别并保留最相关的特征，同时抑制不相关或冗余的特征。该方法的核心思想是利用贝叶斯推断来估计模型参数的后验分布，并通过最大化边缘似然（证据最大化）来优化超参数。稀疏贝叶斯学习广泛应用于回归、分类和信号重构任务，例如在压缩感知、神经信号处理和计算机视觉等领域。其代表性模型包括相关向量机（RelevanceVectorMachine,RVM），它是支持向量机（SVM）的贝叶斯替代方案，具有更好的概率解释和更稀疏的解。稀疏贝叶斯学习的优势在于能够自动控制模型复杂度，避免过拟合，并提供不确定性估计。
