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。

本研究提出了一种新的类不平衡跨域分布外检测方法（CCOD），通过不确定性感知自适应语义对齐网络（UASA）提升检测性能，实验结果表明其优于现有方法。

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。

本研究提出DIAEF评分框架，旨在解决多模态上下文中的分布外检测问题，特别是在开放域对话系统中有效识别输入偏差。实验结果表明，结合图像与对话的检测效果优于单一模态。

研究发现，神经网络训练分类数据集时，隐藏层特征的向量范数对于分布内样本更高，对于分布外样本较低。提出了一种新的负向感知范数(NAN)，能够捕捉到隐藏层神经元的激活和去激活倾向。实验证明NAN在分布外检测和无标签环境中有效。

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。