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。

我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过观察假设来解耦稳态和非稳态潜在状态的变化。IDEA 模型在各种基准数据集上优于最新的非稳态预测方法，突显了其在实际场景中的优势。