该文综述开放世界机器学习，聚焦增量学习、未知类别拒绝与OOD检测。研究指出数据、模型架构和OOD数据选择会严重影响检测性能，误检率可超70%，对抗扰动下误报率达100%。文章提出元学习、鲁棒分类器及融合持续学习、主动学习和开放识别的方法，以平衡开放空间风险与经验风险，提升模型可靠性。

综述开放世界机器学习，涵盖持续学习、主动学习与开放式识别，提出融合方法以提升鲁棒性并避免累积遗忘。研究增量学习、未知类别拒绝、OOD检测可靠性、教育推荐系统、开放世界表示学习及可信赖AI，并探索因果世界模型与少样本学习。