本文介绍了一个新的计算机视觉问题：“开放领域物体检测”，其中模型的任务是在未经明确监督的情况下识别未引入的对象，并在逐步接收相应标签时增量学习这些已识别的未知类别。阐述了该问题，并提供了一种名为 ORE 的解决方案，基于对比聚类和基于能源的未知物体识别。我们的实验评估和消融研究分析了 ORE 在实现开放世界目标方面的功效。同时，我们发现确定和表征未知实例有助于减少增量对象检测设置中的混淆，我们在没有额外的方法论努力下实现了最先进的性能。希望我们的工作能吸引更多关于此全新但至关重要的研究方向的研究。

Mar, 2021

开放环境识别（OWR）是一个新兴领域，使得机器学习模型能够拒绝未知样本，并进行管理，逐步将新样本添加到基础知识。本研究提出了一个评估协议，用于估计模型在内域未知类和外域未知类之间分离能力，通过传统迁移学习、自动化机器学习（AutoML）和最近类均值（NCM）分类器与 First Integer Neighbor Clustering Hierarchy（FINCH）相结合的方法，通过对垃圾、食品、狗、植物和鸟类等五个不同领域进行实验，结果表明所有方法都可以作为一个良好的准确性基线，并且预训练模型的平衡准确率（BACCU）得分有可能在一个或多个感兴趣领域中表现出色，同时强调了预训练模型中的有效表示对于识别相同领域的未知类很重要，进一步拓展了开放环境识别在领域特定任务中的应用前景。

Dec, 2023

这篇论文在机器学习领域做出了重要贡献，特别是在面对前所未见的数据和情境的开放世界情况下。通过研究开放世界机器学习中的 Out-of-distribution (OOD) Detection 和 Open-world Representation Learning (ORL) 两个关键步骤，该论文提出了算法解决方案和理论基础，为构建性能卓越且在不断变化的复杂实际世界中可靠的机器学习模型铺平了道路。

Oct, 2023

提出了一种使用独立性约束和数据流形对机器学习模型进行优化，以发现远离分布数据和具有良好预测性能的模型的方法，并讨论了模型选择的相关问题。

Jul, 2022

提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法，将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型，并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。

Jun, 2015

我们研究深度神经网络在其训练范围内的理解。我们提出了一种量化模型输入的不确定性的度量方法，基于训练模型在特征空间中学习的决策边界的几何安排和训练集的凸包。使用这种不确定性度量，我们的模型能够在遇到不确定的输入时放弃分类，从而使模型在更广泛的输入中具有更高的准确性。通过理论框架，我们能够确定模型在其训练范围内未知的领域，并制定方法来识别这些领域，在这些领域中模型的置信度保持较高。

Dec, 2023

本研究通过显式建模不确定性，并提出一种不确定性感知的倾向得分估计器（UIPS），可改进离线策略优化，实验结果表明其比现有方法更具有样本效益。

Mar, 2023

该研究论文提出了一种新颖的方法，通过学习无监督的辨别模型来识别真实的未知对象，并通过无分类训练方法对模型进行进一步改进，实现在检测未知对象方面显著优于先前的方法，在 MS COCO 数据集上保持检测已知对象类别的竞争性表现，并在 LVIS 和 Objects365 数据集上实现更好的泛化能力。

Aug, 2023

在本文中，我们提出使用主观逻辑的理论来明确建模确定的预测不确定性和未知类别样本预测的忽略现象，并通过预测 Dirichlet 浓度参数来实现综合的主观意见，通过一系列实验证明了我们的方法在量化两种不确定性源和处理灵活识别方面的有效性。

Sep, 2023

我们介绍了一种从不确定数据中学习线性模型的高效方法，其中不确定性被表示为数据中可能的变化集合，导致预测的多样性。我们的方法利用抽象解释和 zonotopes（一种凸多面体类型）来紧凑地表示这些数据集的变化，从而能够同时对所有可能的世界进行符号执行梯度下降。我们开发了确保该过程收敛到一个固定点的技术，并推导出该固定点的闭合解。我们的方法提供了对所有可能的最优模型和可行预测范围的准确过估计。我们通过理论和实证分析展示了我们方法的有效性，突出了在训练数据中由于数据质量问题而进行模型和预测不确定性推理的潜力。

May, 2024