本論文では、真の損失に対する経験的推定の一様収束が達成できないほど大きな候補モデルの集合を用いた学習課題に取り組んでいます。従来はSRM（統計的リスク最小化）に基づく学習アルゴリズムが一般的でしたが、本研究では、経験的データのより強い組み込みに依存する新しい学習パラダイムを提案します。このアプローチは、既存の仮定に基づくアルゴリズムの決定を減少させることを目的としています。また、類似性、ドメインのクラスタリング、リップシッツ条件、対照学習の仮定など、いくつかの一般的な学習の仮定における一般化能力を分析し、その利点を示しています。提案手法は、真のパラメータを事前に知る必要なしにこれらの仮定を利用することを可能にします。