Open-world Machine Learning: A Review and New Outlooks

机器学习在许多应用中取得了显著的成功。然而，现有的研究很大程度上基于封闭世界的假设，假设环境是静态的，并且一旦部署，模型就是固定的。在许多现实世界的应用中，这个基本而相当幼稚的假设可能不成立，因为开放环境是复杂的、动态的，充满了未知数。在这种情况下，拒绝未知数，发现新奇性，然后逐步学习它们，可以使模型像生物系统一样安全地不断演化。本文通过研究未知拒绝、新类别发现和类别增量学习的统一范式，提供了对开放世界机器学习的全面视角。详细讨论了当前方法的挑战、原则和限制。最后，我们讨论了未来研究的几个潜在方向。本文旨在全面介绍新兴的开放世界机器学习范式，帮助研究人员在各自的领域构建更强大的人工智能系统，并促进人工通用智能的发展。

开放世界机器学习中的未知拒绝、新类别发现和类别增量学习的综述

论文提出了一种开放世界机器学习的范式，旨在解决复杂、动态、充满未知的环境下机器学习中的未知拒绝、新类别发现和类别增量学习问题。该范式能够使模型像生物系统一样安全地不断进化。

论文探讨了当前方法的挑战、原则和局限性，并提出了未来研究的几个潜在方向。实验使用了多个数据集，并提供了开源代码。

与该论文相关的研究包括：《Open Set Recognition: A Comprehensive Evaluation》、《Learning Open Vocabulary Object Retrieval》、《Incremental Learning for Open Set Recognition》等。