التحدي الأساسي الذي تواجهه نماذج التعلم الآلي هو كيفية تعميم النماذج المُدرَّبة على بيانات خارج التوزيع (OOD). ومن بين مختلف النهج، حظيت الاستفادة من السمات الثابتة من خلال التدريب المعاكس للبيئة (DAT) باهتمام واسع. وعلى الرغم من نجاحها، لاحظنا وجود عدم استقرار في عملية التدريب الناتج عن DAT، وغالبًا ما يُعزى ذلك إلى قوة التمييز البيئي الزائدة والضوضاء في علامات البيئة. ولحل هذه المشكلة، اقترحنا تلبيس علامات البيئة (ELS)، الذي يشجع المميّز على إنتاج احتمالات ناعمة، وبالتالي يقلل من درجة الثقة في المميّز ويُخفف من تأثير علامات البيئة الضوضائية. وقد أظهرنا تجريبيًا ونظريًا أن ELS يمكن أن يحسّن استقرار التدريب، والتوافق المحلي، والمقاومة تجاه علامات البيئة الضوضائية. وبدمج ELS مع طرق DAT، تمكنّا من تحقيق نتائج رائدة في مجالات واسعة من مهام التعميم/التكيف البيئي، وبخاصة عندما تكون علامات البيئة ذات ضوضاء عالية.