本研究分析了视觉变压器在标签噪声条件下的表现，结果显示大模型在分类准确性和校准效果上优于小模型，为资源受限环境的应用提供了指导。

本文提出了一种新的无源领域自适应框架，利用伪标签和无源域自适应算法，解决目标数据的不确定性和分布偏移问题。该方法在多个任务上展现了优越的校准效果，计算轻量且无需源数据，增强了模型的鲁棒性。

本文评估了图神经网络（GNNs）在不同数据集上的校准效果，发现其在某些数据集上表现良好，但在其他数据集上存在偏差。提出了基于拓扑的后处理校准函数和新型转导式元学习框架等改进方法，实验结果表明这些方法在链接预测任务中具有更高的准确性和效率。