样本复杂度与 Rademacher 泛化界

统计学习理论中的样本复杂度、VC 维与 Rademacher 复杂度泛化误差上界 (Statistical Learning Theory: Sample Complexity, VC-Dimension & Empirical Rademacher Complexity Bounds) 是研究机器学习泛化理论、PAC (Probably Approximately Correct) 可学习性与过拟合边界的核心数学工具箱；核心理论体系：1) 经验 Rademacher 复杂度：衡量假设空间 $\mathcal{H}$ 对随机雷德马赫噪声 $\sigma_i \in \{-1, +1\}$ 的拟合能力：$\hat{\mathcal{R}}_S(\mathcal{H}) = \mathbb{E}_\sigma \left[ \sup_{h \in \mathcal{H}} \frac{1}{m} \sum_{i=1}^m \sigma_i h(x_i) \right]$；2) 泛化误差上界定理：以至少 $1-\delta$ 的高概率成立，真实泛化风险 $R(h)$ 被经验训练风险与 Rademacher 复杂度严格限制：$R(h) \le \hat{R}_S(h) + 2 \hat{\mathcal{R}}_S(\mathcal{H}) + 3 \sqrt{\frac{\ln(2/\delta)}{2m}}$；3) 谱范数归一化泛化界 (Bartlett's Spectral Norm Bound): 针对深度神经网络推导出与网络参数量无关、仅依赖于各层权重矩阵谱范数之积 $\prod \|W_l\|_2$ 的严格泛化界。

统计学习理论研究、深层网络泛化性数学证明、样本效率理论推导。

传统 VC 维理论认为当模型参数量远大于样本量时必然过拟合，无法解释现代过参数化深度学习拥有数千亿参数却能优秀泛化的现象；基于 Rademacher 复杂度和谱范数的界解释了正则化与隐式偏置下的泛化能力。

检验攻克程度：针对「样本复杂度与 Rademacher 泛化界」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。