statistical-learning-theory

奇异学习理论（SLT）使用代数几何来解释为什么神经网络尽管存在退化性却能很好地泛化，引入了实对数规范阈值（RLCT）作为模型复杂度的度量。

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。

FormalSLT是一个Lean 4库，它形式化证明了有限样本统计学习理论结果（ERM、VC界、Rademacher界、PAC-Bayes等），附带显式假设且零sorry语句，为机器学习理论提供机器可验证的基础。