Sub-gaussian:
监督学习中，泛化误差被定义为 期望风险减去经验风险的差的期望；反应的是训练集迁移到测试集上的误差；
由监督学习中的泛化误差启发得到图预训练-微调中的泛化误差：下游任务的损失和预训练的损失的差的期望；注意，由于任务不同、模型不同，两个损失的scale不同，需要有一个超参数来调和；
最终从互信息的角度来降低泛化误差（证明略）
G: original Graph得随机变量；
F: 预训练encoder的随机变量；
$G_{view}$: Graph Contrastive 中的augment；