本研究探讨了分布外（OOD）检测中的标签盲点问题，指出在无标签情况下算法失效的条件。通过引入邻近分布外检测的概念，理论与实验证实了现有无标签OOD方法的局限性，为未来研究提供了重要启示。

本研究提出开放医学成像基准（OpenMIBOOD），旨在解决医疗图像处理中分布外检测方法缺乏标准评估的问题。该框架包含三个基准和14个数据集，以促进OOD检测方法的发展与比较。研究表明，传统自然图像的OOD基准不适用于医疗领域，因此亟需专门的评估基准。

本研究提出了一种结合大型语言模型和视觉语言模型的新策略，以提高零-shot分布外检测的性能。实验结果表明，该方法在多个基准测试中优于现有技术，显示了其在实际应用中的有效性。

本研究探讨了分布外（OOD）检测中语义转变的模糊性，提出了明确的语义空间和协变量空间定义，并定义了“可处理的OOD”设定，以确保后处理方法能有效区分OOD和ID分布。

深度神经网络在技术应用中受到不同分布样本的干扰。本文提出基于 ImageNet 和 Places365 的评估标准，区分内外部分布，并评估不同 ODD 检测技术的有效性。研究介绍了 OpenOOD v1.5，扩展了评估能力，提供全面的 OOD 检测基准。实验表明，知识蒸馏和 ViTs 模型在检测分布外实例方面表现优异。

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。