本研究提出了一种新算法，通过动态重加权训练样本，改善多模态奖励模型（MM-RMs）在处理分布外数据时的泛化能力，从而提升其对多模态理解的能力和下游任务性能。

本研究提出了一种利用大型语言模型生成合成分布外数据的方法，以解决分类系统中分布外数据难以收集的问题。实验结果表明，该方法显著降低了误报率，并在多个分类任务中超越了基线方法。

本研究提出统一不变学习（UIL）框架，以解决图神经网络在处理分布外数据时的泛化能力不足问题，显著提升了OOD泛化性能。

本研究提出了一种新方法REPEAT，旨在解决表示学习中不确定性建模不足的问题。该方法将每个像素视为伯努利随机变量，从而提高了像素的重要性和确定性估计，增强了对分布外数据的检测能力。

本研究提出RMD基线，利用检索增强技术提升运动生成的泛化能力，有效解决数据集多样性和规模的限制，尤其在处理分布外数据时表现突出。

本研究探讨了单阶段目标检测器在处理分布外数据时的鲁棒性，提出了一种新算法，利用预训练模型检测未知物体，无需重训练。实验结果表明，该方法在已知与未知物体的检测中表现优异，显著优于现有的OoD检测方法。

本研究探讨了神经网络在分布外数据下的预测行为，发现其倾向于最优恒定解（OCS）。通过实证和理论分析，提出了增量学习的可行性及新模型架构CoSCL，以提高模型的泛化能力和记忆稳定性。

该研究提出了一种结合深度度量学习和扩散模型的新方法，用于检测分布外（OOD）数据。通过元离群学习（MOL），模型能够快速适应新分布并保持高准确性。实验证明，该方法在OOD检测性能上优于传统基线模型，并在多个基准测试中取得显著效果。

本文介绍了提高神经网络处理分布外（OOD）数据性能的方法，包括Logit Normalization、Projection Norm和负向感知范数（NAN）。这些方法通过约束输出、使用伪标签和特征屏蔽等技术，显著提升了模型的置信度估计和分类能力，尤其在无标签环境下表现优异。实验结果表明，这些新方法在多个基准测试中超越了现有技术。

本文提出了一种名为JointEnergy的方法，旨在降低多标签分类中的误假阳性率。该方法通过聚合多个标签的能量得分来检测分布外（OOD）数据，理论上能更好地区分内部和外部数据。与传统方法相比，使用能量分数显著提高了检测性能，并在多个基准测试中表现优异。

该论文介绍了一种名为 PAIR 的多目标优化方案，旨在提高机器学习模型在分布外数据（OOD）上的鲁棒性。通过优化 OOD 目标，PAIR 在 WILDS 基准测试中表现优异，有效缓解了目标之间的折衷问题。

本研究探讨了深度神经网络在处理分布外数据时的过度自信问题，提出了基于元学习的框架和新的置信度度量方法，以提高预测准确性和鲁棒性。实验结果显示，这些方法在不均衡数据和超出分布检测中表现优异。

该论文提出了一种通过单次前向传递来训练确定性深度模型的方法，该模型可以找到并拒绝分布外的数据点。论文还提出了一种基于确定性不确定性量化（DUQ）的建议，并描述了一种新的损失函数和质心更新策略。通过引入梯度惩罚，可以可靠地检测分布外的数据，并且可以在大型数据集上缩放不确定性量化。作者在一些难以检测的数据集上使用单个模型得出了比 Deep Ensembles 更好的结果。