本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。

Dec, 2023

近年来，基于深度神经网络的系统不仅在人气上迅速增长，而且受到用户的信任。然而，由于这种系统的封闭世界假设，它们无法识别未知类别的样本，并且经常以高置信度引入错误标签。本文研究了开放集合识别方法的评估，着重关注类别不平衡对已知和未知样本的影响。在问题分析的基础上，我们提出了一套评估该领域方法的准则。

Feb, 2024

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

本文研究开放式识别问题，通过神经网络解决恶意软件分类判断中的未知类别问题，实验结果表明该方法在两个不同领域的三个数据集上比其他方法明显提高。

Feb, 2018

本文对开放集识别任务中现有度量方法进行系统分析，并提出了一种新的度量方法 OpenAUC，旨在解决现有方法的不一致性问题。最终，本文提出了一种基于端到端学习的方法，通过最小化 OpenAUC 风险来实施开放集识别。实验结果表明，该方法具有良好的性能。

Oct, 2022

本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。

Nov, 2018

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

本文介绍了一种深度类增量学习框架，与开放集识别相结合，通过精炼增量学习特征来适应基于距离的开放集识别。实验结果验证了我们的方法优于现有的增量学习技术，并在开放集识别方面表现出比基准方法更优异的性能。

Oct, 2023

研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

Mar, 2022