本文介绍了一种应对开放性场景中新颖性挑战的方法，该方法结合了逻辑表示和推理方法，利用通用方法和架构机制检测、表征新颖性，并构建相应的适应性模型进行应对。通过在多智能体博弈中的评估，结果表明所提出的方法在各种新颖性挑战下均表现出高准确率。

Feb, 2023

本研究介绍了一个新的基准数据集 NovelCraft，包含在 Minecraft 环境中完成跳跃球组装任务的代理人所看到的图像和符号世界状态的多模态故事数据。进一步的多模态新颖性检测实验表明，融合视觉和象征信息的方法能够提高检测时间和总体识别能力，同时对于复杂场景中新不平衡分类的适应仍然是一个令人兴奋的开放性问题。

Jun, 2022

本文讨论了在人工智能系统中进行两种元认知任务的方法：快速扩展神经分类模型以适应新的物体类别，以及识别新型物体类型。我们的方法利用从仿真环境中提取的数值数据，描述物体在相互作用时的运动和属性，并证明这种表示对于成功检测新型类型至关重要。我们展示了一系列的实验，包括新类别和概念的引入以及新型物体检测，同时提出了一个将两者整合到一个交互式系统中的架构。

Nov, 2022

该研究提出了一种依赖于系统调用序列的概率分布的新颖性检测方法，并通过引入包含超过 2 百万个具有七种不同行为的内核跟踪的新开源数据集，解决了大规模神经网络训练数据的限制。该方法在大多数新颖之处实现了超过 95% 的 F 值和 AuROC，且数据和任务无关。

Sep, 2023

我们提出了一种将新颖性检测引入世界模型强化学习代理中的直接边界方法，通过利用世界模型产生的虚拟状态与真实观察状态的不一致作为异常得分，有效探测并保护代理在新环境中的性能和可靠性。

Oct, 2023

在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

Sep, 2023

本文介绍了一种名为 PAT-SND 的文本新颖性检测模型，该模型在细粒度语义层面对文本进行分析，完善了现有以主题为基础的新颖性检测方法，通过对文本中指称实体及其背景知识的关系进行语义推理，有效地提高了 named entities 新颖性检测的准确性。作者还创建了一个经过注释的数据集，在实验中，PAT-SND 表现出比其他 10 个基线模型更好的性能。

Oct, 2022

本研究通过基于自编码器的深度神经网络，在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测，并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明，新物理基准可能具有高效的识别能力。

Jul, 2018

介绍了一种以代理为中心的方法处理手写识别中的新颖性，并描述了一个基线代理，提出了评估协议并进行了实验以推进该方法，结果表明代理为中心的方法是可行的。

May, 2021

本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

Feb, 2018