本研究提出了一种自适应熵感知优化框架（AEO），旨在解决多模态开放集测试中的适应性问题。该方法通过优化未知类别样本的熵和模态预测差异，有效区分已知与未知类别，从而提升在线适应性能，展现出强大的适应能力。

本文介绍了一种受物理启发的GNN模型，用于改善深度图神经网络中的过度平滑问题。该模型引入了熵感知的消息传递项，在节点聚合过程中执行熵的梯度上升，保留嵌入中的熵。通过对多个数据集进行比较分析，评估了该模型与最先进的GNN模型的性能。

本文介绍了一种新的随机可微量化（SDQ）方法，通过优化比特宽度和熵感知的分 bin 正则化和知识蒸馏对网络进行训练。经评估，SDQ 在较低的比特宽度下表现优于其他方法，展示了其有效性和优越性。