关于随机设计回归模型的统计学习研究，我们提出了一种聚合经验最小值的方法，并建立了其风险的尖锐 Oracle 不等式，进一步证明了在良好规定的模型下，统计估计和在错误规定的模型下的统计后悔的速率等价的结论。

Aug, 2013

提出了一种关于最小二倍经验风险下界的理论证明，并明确了最小二倍经验风险学习算法的特点，其中包括极限对称性和最小随机化 “投票” 程序。

Jun, 2016

本文探讨了强化学习中的一种 Batch Reinforcement Learning，并对 Bellman 误差进行了估计及最小化的元学习方法，通过对一系列函数类（包括有限类、线性空间、核空间、稀疏线性特征等）进行局部 Rademacher 复杂度评估，进而探索算法的泛化性能。研究发现：在双子抽样策略下的经验风险极小化策略的过多风险可以通过函数类的 Rademacher 复杂度进行界定；使用完备性假设可以在算法的 Rademacher 复杂度下再次将 FQI and Minimax 策略优化；通过局部 Rademacher 复杂度可以实现快速统计速率。

Mar, 2021

本文提出了一种适用于广义无界损失函数的新型超额风险界限，并探讨了该界限对于广义贝叶斯推断在错误设置下具有的收敛速率以及其与赫林格度量的关系。

May, 2016

本研究提出了一种多样本损失方法用以改进贝叶斯后验预测分布的泛化性能，该方法不仅具有计算优势还提供了 PAC 泛化保证，实证研究显示该方法可以有效改善预测分布。

Oct, 2020

该研究提出了一种基于两步半监督模型的多类分类器的 Rademacher 复杂性界，通过聚类技术和较少的带标签数据来训练分类器，并得到包含泛化误差界的数据相关收敛速度的理论结果。

Jul, 2016

本文提出一个通用的定理给出经验风险最小化器 (ERM) 风险的上界，并且通过采用一些方便的加权经验过程的浓度不等式扩展 Tsybakov 针对 ERM 风险下边缘条件的分析，以便处理一些测量分类器类 “大小” 的方式，特别地，当分类规则属于某个 VC 类且满足边缘条件时，我们推导出 ERM 的新风险上界，并讨论这些上界在极小化意义下的最优性。

Feb, 2007

本文基于 (Xu＆Raginsky，2020) 近期的研究结果对贝叶斯学习中的最小过剩风险进行分析和推导其信息理论界限，并展示了它如何被两个更易于研究的率失真函数上下界限制所限制，最后论证这些边界的差异提供了关于 MER 的秩序紧密的率。

May, 2021

本文提出了一个信息理论框架，用于评估在参数化贝叶斯设置下训练分类器所需的标记样本数量，并使用 $L_p$ 距离导出分类器和真实后验概率分类器之间的平均距离的上下界，并利用 $ L_p $ 丢失作为畸变度量，以后验分布的微分熵和插值维度的数量为最大先验分类器提供了下界和上界，这表征了参数分布族的复杂性，同时提供了计算贝叶斯 $L_p$ 风险的下界，是可能近似正确（PAC）框架的补充，该框架提供了涉及 Vapnik-Chervonenkis 维度或 Rademacher 复杂性的最小极大风险界，而所提出的速率 - 失真框架则为数据分布平均的风险提供了下界。

May, 2016

研究多类预测中的样本复杂度，并提出了设计 ERM 学习器的原则以及使用这些原则来证明对称的多类假说类的样本复杂度的紧束缚定理。此外，通过对 Littlestone 维度的新概括，提供了在线背景和强盗问题中多类学习的错误和遗憾界限的描述。

Aug, 2013