Ktina, вы бы хотя бы вместе (а лучше вместо) таких ссылок давали нормальные:
https://www.nature.com/articles/s42256-018-0002-3По вашей ссылке написан полный бред (что ожидаемо; я не помню ни одного случая сколь-нибудь нормального изложения математического результата в подобных источниках).
Товарищи доказали следующее утверждение. Рассмотрим отрезок
![$[0; 1]$ $[0; 1]$](https://dxdy-04.korotkov.co.uk/f/7/4/5/7455f55fcf9049632e4d81f00bf5cac582.png)
, все его конечные подмножества и все вероятностные распределения на
![$[0; 1]$ $[0; 1]$](https://dxdy-04.korotkov.co.uk/f/7/4/5/7455f55fcf9049632e4d81f00bf5cac582.png)
с конечным носителем. Мы хотим найти число

и функцию

из
![$[0; 1]^d$ $[0; 1]^d$](https://dxdy-01.korotkov.co.uk/f/8/3/8/8383dc9cf1bf2beb04442489fdc7d6ba82.png)
в множество конечных подмножеств отрезка со следующим свойством: если взять любое распределение

с конечным носителем, выборку размера

из этого распределения и посчитать значение

на этой выборке, то мы скорее всего получим множество, мера которого относительно

довольно большая. Оказывается, что такая функция существует тогда и только тогда, когда количество промежуточных мощностей между счетным множеством и континуумом конечно.
Результат, наверное, интересный, но никакого отношения к практическому машинному обучению не имеет.
(вообще, машинное обучение делится на две почти не пересекающиеся части: методы, работающие в теории, и методы, работающие на практике)