本研究提出了一种变分视觉问答（VQA）方法，通过新算法IVON提高多模态视觉问答模型的可靠性，增强校准性和自我放弃率，尤其在分布转变情况下表现突出。

本文研究了图神经网络在分布变化下的鲁棒性，提出了一种基于条件转移的无监督领域自适应方法。同时介绍了COnfidence-baSed MOdel Selection（CosMoS）方法，通过动态选择模型实现高性能，并探讨了图学习中的分布转变问题及其解决方案，分析了潜在应用和未来研究方向。

该文综述基础模型在低资源与分布转变下的鲁棒性：hardBench显示模型与人类仍有差距；小样本微调CLIP的分布外表现优于纯视觉模型；多模态大模型低层视觉能力不稳定；医学基础模型覆盖通用到器官/任务特异；仅用文本训练可接近图像训练效果，图像标注等任务有望提升超9个百分点；遥感基准含六项分类与六项分割任务。