提出自适应随机平滑（ARS）认证测试时自适应模型的预测结果，扩展使用 f-差分隐私的随机平滑分析认证多步骤的自适应组合，首次覆盖有噪声输入的高维函数的自适应组合。应用于深度图像分类以认证预测结果，提供对有界L∞范数的对抗样本的适应性防御。在CIFAR-10和CelebA基准测试中，ARS提高了准确性2到5个百分点，在ImageNet上相对于标准RS改进了1到3个百分点。

该文章介绍了一种基于能量估计的跨域语义分割的自适应模型（SMART），利用自监督深度估计获得任务自适应特征，并通过能量评估方法提高深度引导的有效性。实验结果显示该方法显著提升了性能。

该文介绍了一种新颖的方法，通过自适应基础模型来解决现有模型的泛化性能下降问题。作者使用预训练的卷积神经网络为 Segment Anything Model 增加了识别能力，从而改善了其在遥感图像上的表现。作者在三个遥感数据集上评估了该方法，并观察到在不同分布的性能上取得了显著提高。