本文探讨了在安全关键应用中，如何通过重要性采样和多校准算法提高模型的校准效果，解决不确定性量化和群体公平性问题。研究表明，所提方法在多个数据集上显著提升了校准性能，降低了校准误差，并有效应对协变量转移。

本文介绍了连续自适应离群分布检测（CAOOD）的新颖设置，旨在开发一种能够适应动态和迅速适应新到达分布的离群分布检测模型。通过元离群学习（MOL）的设计，训练过程中学习到了一个良好初始化的离群分布检测模型。实验证明该方法在保持ID分类准确性和离群分布检测性能方面有效。