本研究探讨了预测模型在协变量变化下的训练与测试不匹配问题，提出了一种分析方法，将基础预测器的推广性与加权保型风险控制效率关联。研究揭示了预测集的信息性、协变量变化程度及校准与训练集大小之间的关系，为提高模型预测效率提供理论依据。

本研究探讨了在有限标注预算下设计下游任务（如估计植被覆盖）时的挑战，特别是在选择基础模型和标注样本的过程中。通过对八个现有基础模型进行大规模消融研究，我们揭示了空间可推广性的局限性和基础模型的有效性，发现不同区域和任务的性能及不确定性表现差异显著，这对实际应用具有重要影响。

本研究分析了大型语言模型（LLMs）的越狱攻击及防御技术，评估了多种攻击和防御方法的有效性。提出了一种利用语意防火墙概念的自动破解监管新方法，并展示了其在不同模型上的成功率。研究强调了评估破解方法的重要性，并提出了安全训练的失败模式，建议将安全机制复杂度与模型能力相匹配。

本文介绍了分离式元强化学习（DCMRL）框架，通过学习和探索任务上下文和技能，获取可推广的先前经验并在元测试阶段适应未见目标任务。实验证明，DCMRL比先前方法具有更具推广性的先前经验，并在导航和机器人操纵任务中更有效。