基于证据引导的高置信度未知样本的排除

开集识别系统面临一个被忽视的失效模式：高置信度的近未知样本，这些样本超出已知标签集，却足够接近已知类别，以至于闭集分类器以高置信度接受它们。我们表明，这一失效在标量阈值方法中广泛存在，包括最近的后验检测器，更强的编码器反而可能放大而非消除风险。我们提出了EGUR-A，该方法将决策从“该样本的得分是否足够高？”改为“该预测的已知类别是否足以接受该样本？”EGUR-A结合了类别条件的局部接受证据与全局残差证据，并从已知样本统计中选择其相对权重，而无需未知验证数据。在CUB、FGVC-Aircraft和ImageNet-hard上，EGUR-A在匹配已知拒收操作点的条件下，显著减少了高置信度的误认已知接受。结果并非更强的阈值，而是一个不同的问题：已知类别是否有权利接受该样本。