该文综述机器学习泛化理论的多项进展：在敌对噪声下提出平方和框架线性模型算法，达到理论最优收敛速度；为H-smooth损失建立过量风险界；通过偏差-方差分解加速非高斯预测器收敛；给出正则化凸函数估计的L2误差界；利用小球假设改进凸类平方损失边界；为稀疏深度网络提供泛化界与Oracle不等式；研究相关数据线性回归上界及重尾损失快速学习率。