本文探讨了基于经验风险最小化与l_1正则化的深度神经网络在回归和分类中的超额风险界限。研究表明，深度学习在弱相关观测下具有鲁棒性，尤其在无界损失函数和输入输出情况下。通过理论分析，提出了深度神经网络的期望超额风险与数据矩的关系，并验证了鲁棒估计器在重尾误差模型中的优越性。