在本文中，我们从文献出发，对持续学习、主动学习和开放式识别等现有领域进行了综述，并提出了一种融合上述三者的方法来使深度神经网络获得鲁棒性，并通过实验证明，此方法可在避免累积性遗忘、数据筛查、任务选择等方面得到优化。

Sep, 2020

综合研究开放环境下机器学习的未知拒绝、新类别发现和类别自适应学习等方面，探讨了当前方法的挑战、原则和限制，以及未来研究的潜在方向。旨在全面介绍新兴的开放环境机器学习范式，帮助研究人员在各自领域构建更强大的人工智能系统，并促进人工通用智能的发展。

Mar, 2024

本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器，而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。

Sep, 2018

本文针对开放世界机器学习系统，测试其在各种条件下的可靠性，并发现在组件的选择方面，包括原始数据、模型体系结构和 OOD 数据等选择均严重影响 OOD 检测的性能，可能引起超过 70％的误检率，而对于包含 22 种非故意损坏或对抗性扰动的 OOD 输入，误报率可以达到 100％，并提出了结合鲁棒分类器和 OOD 检测技术来解决 OOD 检测和适应性之间的新的权衡。

Jul, 2020

本文提出了一种动态、可扩展、透明的教育推荐系统，基于 Wikipedia 的文本本体自动提取教育资源的知识组件及启发于项目反应理论和知识追踪的一组在线贝叶斯策略。我们的提案 TrueLearn 专注于向具有足够背景知识并能够理解和学习材料的学习者推荐具备足够新颖性的材料，以帮助学习者提高对主题的知识并保持他们的主动性。我们还构建了一个大型的开放式教育视频讲座数据集，并测试了所提算法的性能，结果显示出建立有效的教育推荐系统的明显前景。

Nov, 2019

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

研究人员通过发展人工智能技术，努力缩小机器智能与人类之间的差距，迫切意识到信任度在无所不在的开放世界中的重要性。本文探讨了一种神经程序，以在单模态和多模态场景下，从设计可解释性、环境福祉任务界面和开放世界识别程序角度增强各种可信赖属性，以及在开放世界多媒体识别场景中观察到的显著性能改进。

Aug, 2023

提出了一种实用的集体 - 个体范式，该范式在序列任务上训练一个进化（可扩展）网络，并且通过从集体模型中发现 learngene，重建轻量级个体模型，经过实验研究和理论分析证明，本文的方法在实现 few-shot learning 场景中取得了很好的效果

Jun, 2021

本文提出了一种新的连续学习问题 —— 连续知识学习，并构建了一个新的数据集和指标，用于衡量时间不变世界知识的保留，过时知识的更新和新知识的获取。通过实验发现，该问题的关键在于对抗知识遗忘和参数扩展，因此对于更好地维护不断变化的大型语言模型非常重要。

Oct, 2021

通过对线性变换特征空间距离单调递减函数的和进行分组来解决 “开放空间风险” 和经验风险之间的平衡，提出了开放世界识别问题，提出了一种用于评估开放世界识别系统的协议，并演示 Nearest Non-Outlier 算法如何可靠有效地处理大规模的图像数据集。

Dec, 2014