- 跨领域开放世界发现
通过引入簇 - 匹配策略和面向跨域开放世界发现设计的目标，CROW 通过在稳定的表示空间中强大地匹配簇和之前见过的类别，从而发现新类别，并通过针对跨域开放世界发现设计的目标来精细调整表示空间，实验结果表明 CROW 在图像分类基准数据集上优 - ICML特征污染：神经网络学习不相关特征且泛化能力不佳
深度神经网络在分布变化下的泛化能力与特征污染、归纳偏差等因素相关，并非仅仅是偶然性相关。
- 无标签条件下适应分布偏移的适应性符合性预测
通过两种新方法 ECP 和 EACP，根据基模型在未标记测试数据上的不确定性调整 CP 中的评分函数，从而仅使用测试域中的未标记数据改进 CP 生成的预测集的质量。通过对许多大规模数据集和神经网络架构进行广泛实验，我们展示了我们的方法相对于 - 鲁棒满足性的统计特性
该研究论文综合分析了 Robust Satisficing（RS）模型的理论性质，包括在不同应用中提供简化程序和鲁棒性广义化。通过与 Distributionally Robust Optimization（DRO）进行比较，RS 模型的理 - 捷足先登：一种无参数的终身强化学习优化器
PACE 是一种无需超参数调整和先验知识的参数自由优化器，基于在线凸优化理论解决了终身强化学习中可塑性损失、适应新任务以及分布变化等挑战。实验证明，尽管底层优化问题是非凸和非平稳的，PACE 在 Procgen，Atari 和 Gym Co - 分布偏移下的因果感知图神经架构搜索
通过发现和利用图与体系结构之间的因果关系来搜索能够在分布转移下具有泛化能力的最佳体系结构，以解决现有方法在现实图场景中广泛分布转移下无法泛化的问题。
- 信息瓶颈的去除：系统模式与偏见的机器去除
通过引入信息瓶颈的方法，我们提出了一个能有效消除系统模式和偏见的机器遗忘框架，在迁移学习中进行模型参数的动态调整，以便高效准确地移除过时或不需要的数据模式和偏见。
- 超越现有技术的图像分割任务的透明度失真鲁棒性
我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。
- 解锁算法特性的力量：算法选择的推广分析
通过算法特征以及一般化观点，我们提出了基于算法特征的算法选择具有可证的保证的第一个模型，并分析了几个因素对一般化误差的影响。我们证明了在复杂的多算法场景中，基于算法特征的模型在一般化方面优于仅依赖问题特征的传统模型，并在分布变化的场景中表现 - 无监督领域转移下的最优预测区间聚合
我们提出了一种在无监督域偏移下聚合预测区间的方法，该方法能够获得宽度较小且覆盖目标域的预测区间，其计算效率高并易于实现。
- 基于 CLIP 的零样本异常分割的语义鲁棒性研究
使用预训练的基础模型进行零样本异常分割是一种有前途的方法，它可以在不需要昂贵的领域特定训练或微调的情况下实现有效的算法。我们通过扰动测试数据使用三种语义变换（有界角度旋转、有界饱和度变化和色调变化）来研究 WinCLIP [14] 零样本异 - 分布偏移下的选择性分类
通过广义选择性分类，我们提出了两种新的边缘得分函数，用于基于深度学习分类器的广义选择性分类，并通过广泛的分析和实验表明，我们的方法在各种分类任务和深度学习分类器上比现有方法更有效和可靠。
- ICLR通过视觉领域提示生成适应分布转变
提出一种在测试时使用少量无标签数据进行模型适应以应对分布偏移的方法，通过利用预训练模型和源域的相关信息从有限数据中提取领域知识，并通过建立知识库、领域特定提示生成器、引导模块、领域感知对比损失和元学习等技术实现领域知识的提取。在多个基准测试 - 量化分布漂移和不确定性，提升机器学习应用的模型鲁棒性
使用合成数据和统计度量来评估分布变化和模型不确定性，为实现机器学习应用在现实世界中的成功部署提供了重要方法和见解。
- CVPR环境和传感器领域的鲁棒性和超出分布的未探索面：协变量转换
计算机视觉应用中，现有的稳健性基准测试依赖于对数字图像的扰动，从而偏离了图像获取过程中发生的分布转变。为了弥合这一差距，我们引入了一个新的分布转变数据集 ImageNet-ES，该数据集由一个真实相机在一个可控实验环境中直接捕获的 202k - MRI 数据处理的机器学习技术在不断扩展的规模下的应用
医学扫描数据、大规模研究、机器学习训练、分布转变和表征学习是本研究论文的主要关键词和主题。
- 测试时间训练用于抑郁症检测
通过分析测试时间训练（TTT）在改善抑郁症检测模型的鲁棒性方面的应用，我们发现与常规测试相比，TTT 可以显著提高模型在由背景噪声、性别偏见和数据收集过程引入的各种分布偏移下的鲁棒性。
- 视觉 Transformer 在领域适应与泛化中的应用：鲁棒性研究
本文研究了视觉 Transformer 在领域适应和领域泛化方案中的应用，包括特征级、实例级、模型级以及混合方法的适应，以及多领域学习、元学习、正则化技术和数据增强策略的领域泛化方法，总结了各种与分布变化相关的策略，并提供了有价值的洞见和综 - 子群移位下的新颖节点类别检测
通过结合受限制的回溯学习框架和高效的图链接预测机制，我们引入了一种新的方法，受限制的召回率优化与选择性链接预测 (RECO-SLIP)，以在具有次群体转变的带属性图中检测属于新类别的节点，并在多个图数据集上进行了全面的实证评估，证明了 RE - 通过测试时适应性进行外部分布谣言检测
一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测，通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性，实验证明该框架在性能上优于现有方法。