该文章提出了一个新的高概率PAC-Bayes预言界，用于无界损失。通过基于损失的Cramé变换来统一地对某些随机变量的尾部进行界定，解决了PAC-Bayes界上优化自由参数的开放问题，并允许在损失函数上进行灵活的假设，得到新的泛化之前界。

该文介绍了UMAB-NN和UMAB-G两种算法，用于解决非负无界损失的对抗性多臂赌博机问题。UMAB-NN实现了自适应和无标度的后悔边界，无需统一探索；UMAB-G则可从任意无界损失中学习。实证评估表明，这两种算法始终优于处理无界损失的所有现有算法。