---
title: "Ortega PhD Thesis 集成 Review"
created: 2026-06-17
type: review
---

# 📌 基本信息

- **论文**：Uncertainty Estimation and Generalization Bounds for Modern Deep Learning
- **作者**：Luis A. Ortega Andrés — PhD Thesis, UAM, 2026
- **导师**：Daniel Hernández-Lobato
- **领域**：cs.LG / Bayesian DL / Learning Theory
- **arXiv**：2606.13818v1

# 🎯 核心贡献

**方法论三件套**：
1. [[deep-variational-implicit-process|DVIP]] — 可扩展深度隐式过程 Bayesian 推断
2. [[variational-linearized-laplace-approximation|VaLLA]] — 变分线性化 Laplace 后验校准
3. [[fixed-mean-gaussian-process|FMGP]] — 冻结 DNN 均值 + GP 协方差校准

**理论统一**：PAC-Chernoff 界在插值区间有效 → 解释 [[double-descent|双下降]]

# 🔗 概念网络

```
Bayesian DL → Implicit Processes → DVIP
    ↓              ↓
Function-Space Modeling → VaLLA, FMGP ← Gaussian Process
    ↓
PAC-Bayesian Bounds → Generalization Bounds → Double Descent
```

# 📚 Wiki 集成

- **新增页面**：12 个（1 论文 + 10 概念 + 1 raw）
- **总规模**：902 → 913 页（+11）

# 💡 关键洞察

1. **PAC-Chernoff 界在插值区间有效**是理论突破——传统界在 "训练误差 ≈ 0" 时退化，Ortega 的大偏差分析在此区间仍提供非平凡信息。

2. **DVIP 的三赢**：比 DGP 快 10 倍 + 非高斯先验 + 深度架构兼容——隐式过程的 "无密度" 被变分推断巧妙规避。