未知之中：神经网络的主动监控

神经网络分类器在预测其受训识别的输入类别时能达到高准确率。在动态环境中保持该准确率（其中输入频繁落于初始已知固定类别集之外）仍是一项挑战。典型方法是检测来自新颖类别的输入，并在增广数据集上重新训练分类器。然而，不仅是分类器，检测机制也需适应，以区分新近学习的和尚未知的输人类别。为应对此挑战，我们引入一种用于神经网络主动监控的算法框架。包裹于该框架中的监控器与神经网络并行运行，并通过一系列可解释的标注查询与人类用户交互以实现增量适应。此外，我们提出一种自适应定量监控器以提高精度。在具有不同类别数的多样化基准上的实验评估证实了我们的主动监控框架在动态场景中的益处。