Dans ce travail, nous explorons un type de bornes en généralisation pour dériver des garanties qui dépendent d'une mesure de complexité arbitraire. Les bornes classiques avec convergence uniforme sont valides pour toutes les hypothèses (où les données sont tirées d'une distribution de probabilité). Ces bornes prennent donc en compte un terme de complexité prédéfini qui caractérise toute la classe d'hypothèses. En revanche, nous dérivons de nouvelles bornes - appelées bornes désintégrées - qui sont valides avec grande probabilité sur les hypothèses et les données. Ceci nous permet d'intégrer des mesures de complexité qui peuvent être adaptées à la classe d'hypothèses et à la tâche. Nous illustrons l'utilité d'un tel résultat sur quatre variantes de l'algorithme de minimisation du risque empirique pour lequel nous dérivons des garanties de cohérence. Enfin, nous montrons les avantages de notre résultat par rapport à certaines bornes en généralisation classiques.