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。

本研究提出特征空间语义不变性(FSI)框架，以解决开放集领域泛化中的未知类别样本检测问题。实验结果表明，该方法在ColoredMNIST数据集上的AUROC提升了9.1%至18.9%。

本研究提出了一种新模型GraphVL，结合图卷积网络与CLIP文本编码器，旨在解决广义类别发现中的特征转移问题，提升对未知类别的分类能力，并在七个数据集上取得了优异表现。

本研究提出了一种新方法，通过扰动输入空间来解决传统OOD检测在识别未知类别时的局限性。发现了“信心突变”现象，并提出了评分方法CoVer，以增强OOD和ID数据的可分性。

本论文提出了一种新颖的方法OGEN来改善视觉-语言模型在未知类别上的表现。通过引入类条件特征生成器，合成OOD特征，并使用自适应自蒸馏机制防止过度拟合。实验证实，该方法在不同设置下提供了令人信服的OOD泛化性能增益。

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。