开放集合识别中，一切生命平等
内容提要
本文综述开放集识别技术，涵盖其定义、模型、数据集、评估标准及算法比较，并分析其与零样本学习、分类拒绝等任务的关系。研究提出统一框架、对抗互反点学习、OpenAUC度量及基于ViT的方法，以提升未知类别判别能力，并探讨未来研究方向。
延伸解读
开放集识别与相关任务的区别
文章指出开放集识别与零样本学习、有样学习、分类拒绝等任务相关但不同。零样本学习旨在识别未见类别，而开放集识别需同时分类已知类别并拒绝未知类别。分类拒绝通常针对二分类问题，开放集识别则处理多分类场景。理解这些区别有助于明确开放集识别在现实世界中的应用价值。
评估指标OpenAUC的提出
针对现有度量方法的不一致性，文章提出OpenAUC作为新的评估指标，并通过端到端学习最小化OpenAUC风险来实现开放集识别。实验表明该方法性能良好。OpenAUC旨在更一致地评估模型对未知类别的判别能力，为开放集识别提供了更可靠的衡量标准。
基于ViT的开放集识别方法
文章介绍了一种基于ViT技术的新方法，通过集群标识测试示例是否属于已知类别，从而提升模型性能。在多个开放集基准数据集上的评估显示，该方法显著优于其他基线方法并取得新的最佳性能。这表明ViT在开放集识别中具有潜力，为未来研究提供了新方向。
未来研究方向与开放问题
文章综述指出开放集识别领域仍存在开放问题，如与连续学习、分布外检测、新颖性检测和不确定性估计等领域的联系。未来研究需促进和规范更安全的人工智能方法。此外，UOSR任务性能优于OSR，但受已知但错误分类样本影响，提出了few-shot UOSR等新评估设置。
Q&A
开放集识别（OSR）是什么？它主要解决什么问题？
开放集识别是一种能够同时进行分类和拒绝未知输入的模式识别技术，旨在处理现实世界中未知类别的情况。
开放集识别有哪些常用的评估指标？
常用的评估指标包括OpenAUC，这是一种新的度量方法，旨在解决现有方法的不一致性问题。
开放集识别与零样本学习、分类拒绝等任务有什么关系？
开放集识别与零样本学习、有样学习、分类拒绝等任务相关，但具体关系需要进一步分析。
有哪些提升开放集识别性能的算法或框架？
包括对抗互反点学习（Adversarial Reciprocal Point Learning）框架、基于ViT的方法、基于距离的分类器结合背景类正则化、以及FS-KNNS等。
开放集识别面临哪些局限性？未来有哪些研究方向？
现有方法存在局限性，未来研究方向包括与连续学习、分布外检测、新颖性检测和不确定性估计等领域的结合，以及促进更安全的人工智能方法。
UOSR任务是什么？它与OSR有何不同？
UOSR任务在不同训练和评估设置下的性能明显优于相同方法的OSR性能，原因在于已知但错误分类的样本。研究还提出了新的评估设置few-shot UOSR和FS-KNNS方法。
