该研究探讨了基于数据相关分布的随机预测模型在训练后的泛化能力以及基于 PAC-Bayes 分析的上界推导方法，同时研究了使用数据相关先验分布的应用，包括针对无界方差的损失函数的一种新颖的边界推导方法。

Jun, 2020

展示了贝叶斯边际似然和频率 PAC-Bayesian 风险边界之间的联系；在最小化 PAC-Bayesian 广义化风险上推导了最大化贝叶斯边际似然；针对未约束损失函数提出了适用于亚伽马损失函数族的 PAC-Bayesian 定理，并在贝叶斯线性回归任务中表明其方法的有效性。

May, 2016

我们提出了一种通用理论来优化顺序学习问题的频率后悔，从统一的贝叶斯原理中可以得出高效的 Bandit 和强化学习算法。我们提出了一种新的优化方法，在每一轮生成 “算法信念”，并使用贝叶斯后验进行决策。这种优化目标被称为 “算法信息比”，代表了一种有效地表征任何算法的频率后悔的内在复杂度度量。在我们的知识范围内，这是第一种系统的方法，使贝叶斯类型的算法在先验自由和敌对环境中以通用和最优的方式适用。此外，这些算法简单且实现通常高效。作为一个重要的应用，我们提出了一种新颖的多臂赌博机算法，在随机、敌对和非平稳环境中实现了 “兼顾所有优点” 的实证性性能。我们还说明了如何在线性赌博机、赌博机凸优化和强化学习中应用这些原理。

Oct, 2023

我们的研究针对分布不均匀的本地数据，提出了第一个非平凡的针对非独立同分布挑战的联邦 PAC-Bayesian 界限，并使用独特的先验知识和可变聚合权重。我们还引入了一个目标函数和一种创新的基于 Gibbs 的算法来优化该界限，并在真实数据集上验证了结果。

Sep, 2023

本文对 PAC-Bayes 框架及其主要理论和算法发展进行了自包含的调查研究。

Jan, 2019

本文介绍了聚合和随机投票学习模型的 PAC-Bayes 泛化理论及其优化技术，并对这些技术在人工神经网络上的应用进行了探讨。

Oct, 2021

我们提出了一个泛贝叶斯推理的框架，利用损失函数将数据信息与感兴趣参数相连，并使用累计损失函数的决策论方法更新信念，从而在更一般的情况下提供连贯的主观推断。

Jun, 2013

该论文提出了一种新的高概率 PAC-Bayes 界限，其中涉及到了带界范围和更一般尾部行为的损失，并提出了一些新的基于参数和基于事件的界限技术，可以得到更紧密和可解释的结果，并将结果扩展到任何现有范围上

Jun, 2023

本文研究 PAC-Bayes 边界中的先验和后验之间的 KL 散度，在线性 PAC-Bayes 风险边界中，通过选择期望后验作为先验，可以最小化边界的期望值。本文显示基于 oracle prior 的界限可能是次优的：在某些情况下，使用数据依赖的 oracle prior 可以得到更强的界限，而将 oracle prior 设为条件期望。该文章还应用该新原则在非凸学习中，并在 MNIST 和 Fashion MNIST 中模拟数据依赖的 oracle prior，展示了两种情况下的新的非虚位界限。

Jun, 2020

本文通过变分逼近 Gibbs posterior 的优化分布，从而实现和原始 PAC-Bayesian 程序同样的收敛速度，以替代通常过慢的 Markov chain Monte Carlo 方法，在多个学习任务中（分类、排名、矩阵完成）取得了良好结果。

Jun, 2015