Mar, 2024
开放世界机器学习：回顾与新展望
Open-world Machine Learning: A Review and New Outlooks
Fei Zhu, Shijie Ma, Zhen Cheng, Xu-Yao Zhang, Zhaoxiang Zhang...
TL;DR
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。
Abstract
Machine learning has achieved remarkable success in many applications.
However, existing studies are largely based on the closed-world assumption,
which assumes that the environment is stationary, and the model is fixed once
deployed. In many real-world applications, this fundamental and rather naive
assumption may not hold because an open environment is com
发现论文，激发创造
开放世界学习及其在产品分类中的应用
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
开放世界机器学习的关键评估
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
在开放环境中检测和学习非分布数据：算法和理论
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
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。
Sep, 2020
开放世界识别
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
开放世界中元特性驱动下的量子学习与基本认知
这篇论文提出了一个开放世界模型和元特征系统，专注于在新旧世界之间的客观特征分布差异的基本识别，并通过元特征的牵引力实现了对新旧世界中学习能力的量子隧穿效应。该模型在学习新知识方面表现出色（以行人重识别数据集为例），最高可达 96.71％的准确度，并获得了类似于人类的探索新知识的能力。
Nov, 2023
开放世界中的预见性思维挑战：风险管理
文章提出了两种针对 AI “感知挑战” 和 “认知挑战” 的开放世界风险管理挑战，以促进研究这些挑战的解决方案，评估和提高 AI 代理人管理开放世界风险所需的预测性思维，从而管理现实世界风险。
Jun, 2023
增强可解释性、泛化和鲁棒性的探索性神经方法：连接可信度与开放世界学习
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