本研究提出了一种生成风险最小化（GRM）框架，旨在解决图数据中的分布外泛化问题。该框架通过生成不变子图来优化泛化过程，实验结果表明其在节点级和图级的OOD泛化中表现优越。

本研究提出DREAM框架，针对黑箱模型的属性逆向工程，解决了在未知训练数据情况下的研究空白。该方法通过分布外泛化，开发出领域无关的元模型，有效推断黑箱模型属性，实验结果显示其泛化能力超越现有方法。

该文综述机器学习中的分布外（OOD）泛化与检测研究，涵盖定义、方法、评估及未来方向，并涉及图领域OOD、可学习性与扩张函数、NLP系统可靠性、OpenOOD代码库、图OOD适应、对抗鲁棒性与领域泛化、VQA-CP基准问题及NLP中OOD检测进展。

认知科学的核心难题是如何从有限经验中获取抽象概念。研究提出“关系瓶颈”归纳偏置，能数据高效地诱导抽象，可能成为人类抽象概念获取的候选模型。多项研究利用关系归纳偏置、图网络和关系神经网络提升了关系推理与分布外泛化能力，并发现大模型展现出更类人的几何抽象能力。

该文综述图神经网络在分布外泛化方面的进展，涵盖StableGNN、OOD-GNN、OODGAT、OOD-GMixup、MARIO等模型，分别通过因果推断、随机傅里叶特征、注意力机制、混合样本、不变性学习等方法消除虚假相关、应对分布偏移，提升模型在新图数据上的泛化能力与解释性。

该文介绍了一种离线强化学习方法，利用先前经验学习政策，解决了使用行为克隆的限制。作者提出了一种新方法，将状态重构特征学习纳入扩散策略中，以解决分布外泛化问题。作者在二维多模态上下文强化学习环境和 D4RL 基准任务上评估了该模型的性能，实现了最先进的结果。

该文介绍了一种离线强化学习方法，利用先前的经验来学习政策，以解决分布偏移和有效表示策略的问题。该方法将状态重构特征学习纳入扩散策略中，以解决分布外泛化问题。作者在多个任务上评估了该模型的性能，实现了最先进的结果。