本研究基于Neyman-Pearson引理重新设计了选择性分类的最优选择函数，提出的新方法显著提升了模型在协变量偏移场景下的性能。

本文研究了协变量变化下的保形预测问题，提出了一种新的似然比正则化分位数回归（LR-QR）算法，该算法在高维回归任务中表现优越，能够有效构建预测集，具有重要应用潜力。

本研究提出了一种改进的两步流程，通过最大化softmax熵和后处理步骤，提高深度神经网络的离群检测性能。新架构OODformer利用transformer的上下文能力，显著提升分类效果，并探索了双层离群检测框架和生成文本异常值的方法，改善了在不同数据集上的检测性能。

该研究发现，类增量学习 (CIL) 的问题可以分解为任务内预测 (WP) 和任务 ID 预测 (TP) 两个子问题，其中 TP 与分布外检测 (OOD) 相关联。优秀的 WP 和 TP 或 OOD 检测对于良好的 CIL 表现是必要且充分的，其中 TIL 就是 WP。研究还设计了新的 CIL 方法，其在 CIL 和 TIL 两个设置中性能均优于强基线。