本研究提出ATPrompt方法，通过引入多种通用属性，克服了文本提示学习在未知类别处理中的局限性，显著提升了图像与未知类别的对齐效果。实验结果表明，该方法在11个数据集上表现优异，且计算成本增加不显著。

本文综述开放世界半监督学习研究进展，针对未标记数据含未知类别的问题，介绍了伪标签、不确定性估计、类别分布先验、成对相似性损失、多任务课程学习、ORCA、图论框架及联邦学习FedoSSL等方法，这些方法在CIFAR、ImageNet等数据集上显著优于现有技术，并拓展至医疗图像分类。

该文介绍了一种新颖、高效且自我监督的方法，能够在测试时发现以前未知的类别。该方法通过将最短长度的类别编码分配给每个数据实例来捕捉现实世界数据集中普遍存在的隐含类别层次结构，从而增强了对类别细粒度的控制，使模型能够熟练处理细粒度类别。