该研究探讨了高维核岭回归的泛化性能，分析了正则化方案下偏差和方差与训练数据及特征维度的关系。研究表明，噪声与正则化的相互作用影响泛化误差，并提出了一种新方法来调整岭回归的正则化超参数，以提高回归参数估计的效率。通过随机对偶理论，研究了多种经典估计方法的性能，揭示了预测风险的非单调行为。

该文综述神经网络表达能力与记忆容量研究：基于随机对偶理论分析树状委员会机器容量，发现双隐藏神经元时最大；证明ReLU双曲网络可嵌入加权树且复杂度与失真率无关；给出宽度d+3的ReLU网络逼近连续函数的深度估计；确定双层网络记忆容量下界为md/2。