Informed Decision-Making through Advancements in Open Set Recognition and Unknown Sample Detection

机器学习技术为从数据中获得更深入、更实用的见解提供了许多机会和改进，有助于企业做出明智的决策。然而，大多数这些技术都集中在传统的闭集场景上，即训练集和测试集的标签空间相同。开放集识别（OSR）旨在将分类任务置于更接近现实的情况下，既要分类已知类别，又要有效处理未知类别。在这种开放集问题中，训练集中收集的样本无法涵盖所有类别，系统需要在测试时识别未知样本。另一方面，在真实的动态环境中建立准确全面的模型面临很多障碍，因为对于每个可能的未知项示例进行训练是代价高昂的，而且模型在测试平台上可能会失败。本研究提供了一种算法，探索了一种新的特征空间表示方法，以改进OSR任务的分类。通过集成OSR，可以提高业务流程和决策的效能和效率，从而提供更精确和有洞察力的预测结果。我们在三个已建立的数据集上演示了所提出方法的性能。结果表明，所提出的模型在准确性和F1得分方面优于基线方法。

本论文旨在解决开放集识别问题，即在分类任务中同时处理已知类和未知类，提出了一种新的特征空间表示方法来提高开放集识别任务的分类准确性和泛化性能。

论文的关键思路是将开放集识别问题转化为异常检测问题，通过使用一种新的特征空间表示方法，将未知类视为异常值，从而提高分类器的准确性和泛化性能。

论文在三个公开数据集上进行了实验，结果表明所提出的方法在准确性和F1得分方面优于基准方法。此外，论文提供了开源代码。

最近的相关研究包括：1.《Open Set Recognition: A Comprehensive Survey》；2.《Learning to Classify with Open and Closed Set Data》；3.《Open Set Recognition Using Fuzzy SVM and Fuzzy k-NN》。