我想建立一个 [概率] 模型，旨在推断未知分类变量的真实值，$y \in \{1,2,..., K\}$.

我们有一个数据集$(X,y): \mathbb{R}^d\rightarrow \{1,2,..., K\}$我们可以训练一个分类器，它给出$d$维数据，$X$，并估计输出$y$.

现在，假设$X$s 是相关的，并且都来自一个固定的$y$. 我的意思是，我们正在观察$X^1, X^2,...., X^T,...$随着时间的推移，我们知道$y$对所有这些都是固定的。

例如：

• 我们收到$X^1$（当时$t=1$) 并且我们之前训练的分类器会产生一个关于$\hat{y}^1$.
• 然后，我们收到$X^2$，我们再次使用分类器进行猜测$\hat{y}^2$.
• 然后，我们收到$X^3$， 等等。

所以，一时$t=T$我们有$\hat{y}^1, \hat{y}^2, ..., \hat{y}^T$.

现在，问题是：我怎样才能建立一个模型来使用这些估计（$\hat{y}^1, \hat{y}^2, ..., \hat{y}^T$) 并提高我对真实的信念$y$随着时间的推移，考虑到：

1. 方面$d$不小。例如$d >50$

2. 数据样本，$X$s，不是 iid，而是来自一个固定的未知数$y$.

3. 分类器不是最优的（只是对一些可用数据进行了训练），并且在每一轮都给出了一个关于$\hat{y}^t$对于当前$X^t$.

我一直在阅读一些材料并遇到以下内容，但我不确定哪一个更适合进行更多调查：

• 顺序假设检验
• 最佳停止
• 序贯概率比检验
• HDI+ROPE 决策规则：实际等效的最高密度区间 (HDI) 区域 (ROPE)

或者是否有任何特定的贝叶斯框架？