- 异常、新颖性、开放集和分布外检测的统一调查：解决方案及未来挑战
本文综述了目前在机器学习中所涉及的异常检测、开放集识别、新颖性检测和习一类学习等不同领域中，如何识别和检测来自于训练集分布之外的样本，从而提出了跨领域的研究方向，这对提高模型的鲁棒性具有重要意义。
- MM广义的异常检测：综述
本文首先提出一个通用的 OOD 检测框架，其中包括了另外四个相关问题的特例或子任务，然后重点回顾了这五个领域的最新技术发展，特别是 OOD 检测方法，并总结了开放的挑战和潜在的研究方向。
- 开放集合识别综述
本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新 - KDD利用高斯混合生成式对抗网络进行非完备学习
本文研究了如何使用基于高斯混合生成对抗网络的新颖在线非穷尽学习模型来检测测试数据中出现的新兴类别实例，实验表明 NE-GM-GAN 方法比目前现有的方法可以更好地检测流数据中的新类别实例。
- ICCV有条件变分胶囊网络用于开放集识别
提出了一种基于胶囊网络的 varational autoencoder 模型来进行开放式识别与未知检测任务，使用高斯先验控制胶囊特征的紧致性，获取了优秀的实验结果。
- 适用于开放集识别的对抗性互补点学习
通过提出 Adversarial Reciprocal Point Learning 框架，从多类整合的角度来解决开放空间风险，通过 extra-class 空间和互补点等概念来建模未知类别，给出对抗性边界约束和实例增强方法，从而能够有效提 - ECCV带有辨别互逆点的开放集网络学习
该研究提出了新的概念 'Reciprocal Point'，并应用于开放集识别的新学习框架 'Reciprocal Point Learning' 中，用于降低多个未知样本对少量已知数据的风险，并通过边界空间分离未知和已知数据，进一步排除风 - 深度神经网络的全面持续学习视角：被遗忘的教训和通向活跃开放世界学习的桥梁
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。
- CVPR使用条件概率生成模型进行开集识别
本文提出了一种新的条件概率生成模型（CPGM）框架，将辨别信息引入到概率生成模型中，以检测未知样本并分类已知类别。通过在多个基准数据集上进行实验，证明该方法明显优于基线并取得了新的最佳性能。
- 通过聚类提升深度开放世界识别
本研究中，我们展示了如何通过一种新的损失函数形式实现全局到局部聚类的类特定特征，从而提高深度开放世界识别算法的性能，并提出了一种学习类特定拒绝阈值的策略，在 RGB-D Object 和 Core50 数据集上进行了实验证明了我们的方法的有 - 类别锚点聚类：一种基于距离的开放集识别损失函数
本文介绍了一种基于距离的损失函数 ——Class Anchor Clustering (CAC) loss，可明确地训练已知类别在对数空间形成紧密聚类，从而增强网络模型的开集识别表现，在六个标准基准数据集上取得了最先进的表现，并且不会影响分 - 混合模型用于开放集识别
本研究提出了 OpenHybrid 框架，应用于 open set recognition 中，在 inlier 分类器和 density estimator 之间进行联合学习，通过 encoder 将输入数据编码为联合嵌入空间，使用 fl - CVPR开放集识别的条件高斯分布学习
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。
- ICCV深度神经网络不确定性的开放集识别：广义分类器是否需要识别非分布？
本文探讨了基于预测不确定性的区分内外样本检测问题的解决方案，并通过极值理论的开放集识别方法对不同模型的本体不确定性进行了比较分析。同时通过实验，我们发现生成模型的后验 open set 识别方法优于区分模型和基于预测不确定性的异常检测方法， - P-ODN：基于原型的开放深度网络用于开放集识别
本文提出原型为基础的开放式深度神经网络（P-ODN）进行开放集识别任务，将原型和原型半径一起训练，指导卷积神经网络获取更具有辨别性的特征，并采用基于特征和原型之间的距离度量的多类三元组阈值方法检测未知，从而动态包含新类别，实验结果表明，P- - 开放集合识别的最新进展：综述
本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。
- 开放集识别的群体决策
提出基于集合决策的开放式识别框架，利用层次狄利克雷过程消除了阈值选择的需求，实现了开放式识别和新类别发现。
- 零样本识别的最新进展
本文综述了现有零样本识别技术的方方面面，包括模型表示、数据集、评估方式等，并简要介绍了一些相关的识别任务，如一次性识别和开放集识别等。同时，我们也指出了现有方法的局限性以及未来的研究方向。
- 神经网络中的过度泛化的去噪自编码器
本研究提出了一种使用去噪自编码器计算置信度得分的新方法，并展示了这种置信度得分可以通过确定其局部极大值来正确识别接近训练分布的输入空间的区域，从而解决神经网络模型的过度概括问题。
- 基于稀疏表示的开放集识别
该论文提出了一种基于稀疏表示分类（SRC）的广义算法，用于开放集识别，其中在测试期间未知训练期间存在的所有类别。通过模拟使用统计极值理论（EVT）来构建两个误差分布的尾部，我们将开放集识别问题简化为一组假设检验问题。然后，将与新测试样本的尾