通过学习理论的角度，我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen，通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力，并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销，广泛实验证明 WiseOpen 的有效性超过了现有技术水平。

May, 2024

通过使用统一框架和混合训练策略，本文在开放世界模式识别中建立了一个能够同时进行分类和拒绝未知输入的开放集分类器，实验证明该方法在闭集分类、未知输入检测和错误分类检测中表现竞争性。

Nov, 2023

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

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

深度学习模型在封闭集假设下表现良好，但在开放集条件下部署时遇到困难。本文提出了一种级联未知检测与已知分类方法（Cas-DC），通过学习专门用于已知 / 未知检测和已知类别分类的级联函数，实现在开放集识别任务中优于现代方法的性能表现。

Jun, 2024

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

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

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