该文综述分布外（OOD）鲁棒性研究，涵盖OOD-CV、OOD-CV-v2、COCO-O、OODRobustBench等数据集与基准，发现现有方法提升鲁棒性效果有限，甚至可能削弱鲁棒性；视觉-语言预训练、额外数据、数据增强和先进架构有助于改善OOD鲁棒性。

研究了多智能体问题中相邻智能体之间的空间-时间相互作用建模，提出了一种度量学习方法来规范潜在表征和因果注释，实验证明该方法提高了因果认知度并具有更强的分布外鲁棒性。通过跨域多任务学习提出一种模拟到真实因果转移方法，在行人数据集上证明方法能够大大提高泛化性能。