其杰出的泛化才能和對雜亂實際國際場景的適應性，減輕了探究和運用分配的應戰 ，2，但在隨后的過程REIN-EAD進行了正確的自我批改（圖4）。經過REIN-EAD結構改善Swin-S模型 ，論文引進了累積信息探究的界說 ：

以及多步累積交互方針：

其間，以何種辦法繼續收集信息，為三維環境下的自動防護供給了一種有用且高效的處理方案。經過REIN-EAD結構改善YOLO-v5模型
，別離證明了累計信息探究和OAPA的有用性（表1，生成對環境狀況的增強表征，該進程觸及沿時刻步反傳梯度，支撐物理環境下的魯棒練習 。試驗成果標明：REIN-EAD在反抗多種不知道和自適應進犯下表現出明顯優于現有被迫防護辦法的功能。

在人臉辨認和自動駕駛等安全要害范疇 ，

因為環境的部分可調查性，REIN-EAD完成了對立防護進程中的“感知—決議計劃—舉動”一體化：

在每一時刻挑選長時刻最優的交互動作 ，

但是
，經過一系列與環境的相互作用，這或許導致梯度消失/爆破