该研究使用期望Wasserstein距离来估计学习算法的泛化误差上界，为研究学习算法的泛化提供了新途径。通过总变差距离、相对熵和VC维度提供了其他算法传输成本的上界。分析了深度学习中的泛化误差，发现深度神经网络中的泛化误差随着层数的增加而指数级下降。