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。

在医学影像中，构建能适应分布变化的模型是个难题。本研究通过微调预训练的视觉和语言模型，展示了其优越性。提出了一种新的贝叶斯不确定性估计方法，用于评估模型在超出分布数据上的表现。实验指出常用指标的局限，并强调贝叶斯不确定性在提升超出分布性能中的潜力。

最近的研究提出了一种适用于视觉-语言基础模型CLIP的小样本微调方法，能够在分布转变下表现出更好的准确性和鲁棒性。

该文章介绍了新的数据集ImageNet-ES，由真实相机在实验环境中捕获的图像组成。作者评估了超出分布范围检测和模型稳健性，发现现有方法无法应对ImageNet-ES的协变量转变。作者观察到，学习环境和传感器变化可以提高模型在ImageNet-C和-ES上的稳健性。通过相机传感器控制可以减轻转变，提高性能。

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。