generalization-bounds

本文提出一个理论框架，用于量化当训练分布与部署分布因潜在体制动态（建模为马尔可夫切换过程）不同时的部署风险，提供了精确分解和有限样本边界。

本文开发了一种用于测试时自适应的PAC-贝叶斯框架，该框架使用MMD球作为信度集，提供了形式化的泛化界，并在分布偏移下区分认知不确定性与偶然不确定性。

本文提出了一个用于 Agentic AI 网络（AgentNet）中涌现通信的信息论框架，解决了物理约束问题并提供了泛化界限。在硬件原型上的实验验证表明，与现有最先进的解决方案相比，该框架显著提升了泛化性能。