本研究探讨了神经网络对称化在经典应用中的不足，提出了Cornish（2024）理论的具体化方法，以解决确定性函数和马尔可夫核的对称化问题，从而提升神经网络的性能与可解释性。

该文提出了一种利用概率和对称化等技术来获得学习算法信息论泛化界限的方法，得到了新的期望值和高概率条件下泛化误差的上界，包括了现有泛化界限的特例。