Preferent Compression Bounds Are Tight：偏好压缩界可证明是紧的

论文证明满足偏好性质（学习理论中的稳定性）的算法其样本压缩界可证明是紧的，解决了这一悬而未决的问题。作者基于均匀分布与顺序统计量给出显式构造，在极限下达到该界，并提供了仅需初等计数论证、无需无穷维对偶的更短证明。该工作将发表于第 65 届 IEEE CDC 2026，适用于 Scenario Approach、Pick-to-Learn 与支持向量方法等场景。