本文提出了一种基于类条件自编码器的开放集识别算法，其训练程序被划分为两个子任务：闭集分类和开放式识别，并使用统计建模的极值理论来建模重构误差以找到识别已知 / 未知类样本的阈值。在多个图像分类数据集上进行的实验表明，所提出的方法比现有技术表现显著优异。

Apr, 2019

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

本文提出了未知检测任务概念，并将其作为深度神经网络对所有任务的检测能力进行严格评估的统一评估标准，在构建基准数据集和比较现有方法的未知检测能力之后，发现 Deep Ensemble 在检测未知数据方面具有出色的性能。

Dec, 2021

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

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

使用 Target-Aware Universum (TAU) 和 Dual Contrastive Learning (DCTAU) 框架，将开放类问题转化为能够有效建模已知类和未知类之间边界的问题，并在实验证明 DCTAU 取得了最新的最高水平。

Jan, 2024

该论文提出了一种新颖的方法来解决 few-shot open-set recognition 问题；首先，利用 background features 提取 pseudo unseen classes，将决策边界保留给 unseen classes，以更有效地学习分类器；通过对 tieredImageNet、miniImageNet 和 CUB 三个基准数据集的实验，实现了超越多个基准的 state-of-the-art 结果。

Jul, 2022

本文提出了一种名为 CROSR 的新型开放式识别深度学习网络方法，其不仅具有良好的未知类别检测和已知类别分类准确性，而且在多种标准数据集上的实验结果表明其优于其他现有的深度开放式分类器，并且具有鲁棒性。

Dec, 2018

本文提出了一种基于 CGDL 的新型方法，可以实现开放集识别并提高已知类别的分类精度，并采用概率阶梯架构来提取高级抽象特征，实验结果表明该方法显著优于基线方法并取得了最新的最优结果。

Mar, 2020