该文综述OOD泛化研究，涵盖可学习性与扩张函数定义、泛化误差界，以及CIDER超球嵌入、多任务表示学习、多域校准、监督对比学习、模块化子网络、语义异常检测、图OOD外推等方法。实验表明这些方法在OOD检测与泛化上优于基线。

该文综述核回归与谱核学习进展，提出非平稳谱核、半监督深度核学习及可逼近任意有界核的谱核族，给出基于Rademacher复杂度的泛化误差界与谱学习原理：随训练集增大，核机与神经网络逐步适应目标函数的更高频谱模式，实验验证了理论。

该研究使用信息论技术研究了具有有界更新的迭代学习算法在非凸损失函数上的泛化特性，并提出了新的泛化误差界。研究还分析了不同设置下的泛化界，并展示了改进的界限。

MaGNet是一种新的图神经网络框架，能够顺序地集成不同顺序的信息，并通过识别紧凑图结构提供有意义、可解释的结果。作者使用经验Rademacher复杂性建立了MaGNet的泛化误差界，并证明了其在表示逐层邻域混合方面的能力。MaGNet在模拟数据和脑活动数据中都表现出了有效性。