ProSub：基于子空间的概率开放式半监督学习与外部分布检测
内容提要
本文提出了多种半监督学习方法，以提高开放集数据的处理能力，包括WiseOpen框架、OOD语义剪枝和基于降维的离群检测。这些方法在多个基准测试中表现优异，显著提升了模型的鲁棒性和分类能力。
延伸解读
开放集半监督学习的核心挑战
文章指出，开放集半监督学习（SSL）的关键难点在于未标记数据中可能混有分布外（OOD）样本，这些样本会污染训练过程，导致模型性能下降。因此，如何有效检测并处理OOD数据，成为提升SSL鲁棒性的核心问题。
WiseOpen：从学习理论出发的智能选择
WiseOpen框架基于学习理论，通过梯度方差选择机制筛选出对ID分类有益的“友好子集”，并提供了低频率更新和基于损失选择两个实用变体以降低计算开销。实验表明，该方法在多个基准上超越了现有技术。
OOD语义剪枝与多任务课程学习
OOD语义剪枝（OSP）旨在从ID数据中剪除OOD样本，缓解语义污染；多任务课程学习框架则同时训练分类和OOD检测能力，以消除未知样本的影响。两者均在不同基准上取得了优于先前最佳的结果。
基于降维的离群检测与OWSSD框架
基于降维的离群检测方法通过对高维特征进行线性和非线性降维，利用分布学习和重构误差检测OOD样本，效果优于已有方法。OWSSD框架则使用轻量级自编码器检测OOD数据，显著改善了开放世界下的半监督学习性能。
Q&A
WiseOpen框架的主要功能是什么？
WiseOpen框架通过基于梯度方差的选择机制选择友好子集，以提高模型的ID分类能力。
OOD语义剪枝（OSP）是如何提升半监督学习性能的？
OOD语义剪枝（OSP）通过将OOD数据从ID数据中剪除，缓解数据语义污染问题，从而提升半监督学习的鲁棒性能。
多任务课程学习框架解决了什么问题？
多任务课程学习框架解决了开放集合SSL中的未知样本问题，通过同时训练正常分类能力和未知样本检测能力，成功消除了未知样本的影响。
基于降维的离群检测方法的优势是什么？
基于降维的离群检测方法通过对高维特征进行降维，能够更真实地检测不在分布内的样本，效果优于已有方法。
OWSSD框架的主要特点是什么？
OWSSD框架通过轻量级自编码器网络有效检测OOD数据，并显著改善半监督学习性能。
新提出的开放式半监督学习方法有哪些创新？
新方法通过预热训练和交叉模态匹配，实现更好的特征学习和OOD样本判断，性能优于现有技术。
