本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。

Aug, 2020

我们通过对开放集识别方法进行分析，重点关注特征多样性方面，揭示了学习多样化辨别特征与提升开放集识别性能之间的显著相关性，并基于此洞见提出了一种利用特征多样性优势的新型开放集识别方法，通过在标准的开放集识别测试平台上进行严格评估，证明我们的方法大幅优于现有方法。

Apr, 2024

基于对开集识别的理解并发现学习辅助表示可以从理论上降低开放空间风险，本文提出了一种名为多专家多样注意力融合（MEDAF）的新模型，该模型以辨别性方式学习多样的表示，通过多个学习的专家进行自适应融合，并使用评分函数来识别未知样本，实验证明该模型在开放集识别上能够超越现有的生成模型的 AUROC 高达 9.5%，并以较小的计算成本实现了新的最先进性能，同时也能无缝集成现有的分类模型。

Jan, 2024

机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。

May, 2024

本篇论文提出了 OpenGAN 方法，结合了两种区分开放和封闭集的概念性方法，并通过一些技术手段解决这些方法的局限性，实现了机器学习中开放集识别领域的性能显著提升。

Apr, 2021

本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新的研究方向和应用场景。

Aug, 2021

本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

Dec, 2023

提出了一种设计新框架以生成能够在在线社交网络传播中存活且具有强大攻击能力的对抗样本方法，并通过实验证明了该方法相对于现有方法在小失真约束下取得了 60% 以上的攻击成功率提升。

Oct, 2023

使用 Target-Aware Universum (TAU) 和 Dual Contrastive Learning (DCTAU) 框架，将开放类问题转化为能够有效建模已知类和未知类之间边界的问题，并在实验证明 DCTAU 取得了最新的最高水平。

Jan, 2024

本文提出了一种基于逐步扩展开放空间的解决方案，即 Progressive Open Space Expansion（POSE），用于 Open-Set Model Attribution（OSMA）任务中，以同时将图像归因于已知模型并识别来自未知模型的图像。

Mar, 2023