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。

本文探讨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。实验结果表明，该算法在高维回归任务中优于现有方法，具有重要的应用潜力。

本研究提出了一种自适应轻量级未知估计模块（UEM），用于解决开放世界环境下的分布外分割任务。研究结果显示，该方法在多个数据集上达到了新的最先进水平，平均精度提高了5.74%。

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。