该文综述协变量偏移下的鲁棒机器学习研究，涵盖稳定对抗学习（SAL）算法（利用异构数据源构建不确定性集并差异化优化，具有随机梯度优化下的性能保证）、最小二乘回归对协变量偏移的敏感性分析及预训练回归模型末层适应、解相关加权回归、基于最小充分统计量的鲁棒表征以及分布鲁棒优化分类器，实验验证了这些方法在分布偏移下的有效性。