本文探讨开放世界机器学习系统的可靠性，强调组件选择对OOD检测性能的影响，并提出结合鲁棒分类器和OOD检测的新方法。研究介绍了开放世界目标检测的评估协议和框架，提出分布增强的外部数据学习方法，展示其在未知数据检测中的优越性。此外，提出基于熵的主动学习框架，以推动开放环境下机器学习的发展。

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。

该文综述Mapper算法在拓扑数据分析中的进展：结合图神经网络提升图分类与池化；构建抗梯度攻击的鲁棒分类器；提出密度引导的D-Mapper探索病毒变体；用G-means优化覆盖参数；开发交互式高维点云可视化工具；证明一维Mapper是Reeb图的最优估计；并应用于恶意软件检测与持续图优化。