面向开放集识别的对抗式互反点学习

开放集识别（OSR）旨在同时对已见类进行分类并将未见类识别为“未知”，对于可靠的机器学习至关重要。OSR 的关键挑战是如何同时降低已标注已知数据上的经验分类风险与潜在未知数据上的开放空间风险。为应对该挑战，我们从多类集成的视角对开放空间风险问题进行建模，并以新颖概念“互反点”对未开发的类外空间进行刻画。据此，提出一种称为对抗式互反点学习（ARPL）的新颖学习框架，以在保持已知分类精度不损失的前提下，最小化已知分布与未知分布的重叠。具体而言，每个互反点由对应已知类别的类外空间学习得到，并利用多个已知类别之间的对抗来降低经验分类风险。进而，提出一种对抗式边界约束，通过限制由互反点所构建的潜在开放空间来降低开放空间风险。为进一步从开放空间估计未知分布，设计了一种实例化的对抗增强方法，基于互反点与已知类之间的对抗机制生成多样且混淆的训练样本。这能有效增强模型对未知类的可区分性。在多个基准数据集上的大量实验结果表明，所提方法显著优于其他现有方法，并达到了最先进的性能。