特征多样性在开放集识别与持续学习中作用的经验证据
计算机视觉与模式识别
2025-08-19 v1 机器学习
摘要
开放集识别（OSR）和持续学习是机器学习中的两个关键挑战，分别侧重于在推理时检测新类别以及更新模型以纳入这些新类别。尽管近期许多方法，尤其是针对 OSR 的方法，通过启发式地提升特征多样性来解决这些问题，但很少有研究直接考察特征多样性在应对这些问题时所扮演的角色。在本工作中，我们提供经验证据表明，增强特征多样性能够改善对开放集样本的识别。此外，增加的特征多样性也有助于在持续学习中保留先前学习的数据和整合新数据。我们希望我们的发现能激发这些领域在实用方法和理论理解上的进一步研究。
引用
@article{arxiv.2508.13005,
title = {Empirical Evidences for the Effects of Feature Diversity in Open Set Recognition and Continual Learning},
author = {Jiawen Xu and Odej Kao},
journal= {arXiv preprint arXiv:2508.13005},
year = {2025}
}