本研究探讨了超出分布（OOD）泛化的挑战，强调仅通过OOD设置测试算法是不够的，还需验证特征的组合性。分析了三种神经网络在特定OOD任务中的表现，并提出了两种新架构，指出成功偏见可能导致未能学习正确特征。

本研究提出了一种专家混合框架，解决交通超出分布场景数据集不足的问题。该方法能有效学习和适应新的空间关系，提高模型在空间分布变化时的鲁棒性，优于现有技术。

本研究评估了机器学习模型在预测新颖材料性能方面的表现。发现最先进的图神经网络算法在超出分布的物性预测任务上表现不足。CGCNN、ALIGNN和DeeperGATGNN等模型在超出分布的任务上性能更稳健，并提供了改进性能的见解。

本研究评估了贝叶斯方法在深度学习中用于不确定性估计的方法，重点关注 Laplace 近似及其变体。研究发现，拟合 Hessian 矩阵的方法对超出分布的检测效率产生负面影响。提出了仅关注优化先验精度的观点，可在超出分布检测中产生更准确的不确定性估计，并保持适度的校准度。实验评估证实了简化方法在超出分布领域中的优越性。