本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

Mar, 2019

本文介绍了一种使用深度神经网络的增强开放式分类过程，通过对无类别数据进行聚类识别新类别并重新训练分类器从而将模型转移到增量学习模型。多次实验均表明该模型的优秀性能。

Oct, 2019

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

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

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

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

该研究提出了一种新型的 OpenMax 模型，通过引入 Meta-Recognition 概念到网络的倒数第二层的激活模式中，估计输入图像来自未知类别的概率，从而实现深度学习神经网络的开放式识别，极大地提高了开放式识别准确性。

Nov, 2015

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

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

使用卷积神经网络，结合误差嵌入器和解码器的多任务学习方法来提高开放式图像识别准确度，同时使用极值理论来模拟未知类别的误差，实验结果表明此方法优于现有的开放式识别算法。

Mar, 2019