该文综述深度学习泛化与平坦极小值研究，从PAC-Bayesian视角提出归一化平坦极小值，探讨损失景观、Hessian谱与泛化的关系，发现SGD偏好平滑解，线性ResNets零初始化收敛于最平滑最小值，并给出优化算法与泛化界限。

该文综述SAM类优化算法研究：AdaSAM在随机非凸环境下收敛速度为O(1/√(bT))并具线性加速；GA-SAM按梯度强度自适应寻找平坦极小值；高效SAM变体用随机权重扰动和锐度敏感数据选择节省至多60%算力；Sparse SAM稀疏掩码方案理论证明同速收敛并平滑损失；SAM在鞍点收敛不稳定、扩散较差，可用动量与批大小缓解；还提出SS-SAM调度方案和LookSAM降低开销。