我们提供了在一般可分度量空间上，在大类非身份证实例序列下，具有对抗性响应的回归算法可证明最小值假设。我们还给出了在这种回归背景下可学习性的特征。我们认为普遍一致性这要求学习者在不受价值观反应限制的情况下保持高度的一致性。我们的分析表明，对于比平稳过程大得多的一类实例序列，这样的目标是可以实现的，并且揭示了值空间之间的基本二分法：有限时域平均估计是否可以实现。我们进一步提供乐观地普遍学习规则，也就是说，如果它们不能实现通用一致性，任何其他算法也会失败。对于无界损失，我们提出了一个温和的可积条件，在该条件下，在大类非身份证实例序列下存在对抗回归算法。此外，我们的分析还为一般度量空间中的平均值估计提供了一个学习规则，该规则在对抗响应下是一致的，序列上没有任何矩条件，这是独立兴趣的结果。