应对未知：开放集识别及相关领域综述

在真实场景中，分类模型常常需要在预测训练阶段未出现过的类别样本时保持稳健性。开放集识别通过设计能够在测试阶段检测出未知类别样本的模型来解决这一问题，同时在对已知类别样本的分类上保持良好的性能水平。本综述全面回顾了与开放集识别相关的最新文献，梳理了该领域的常见做法、局限性，以及其与持续学习、分布外检测、新颖性检测和不确定性估计等其他机器学习研究领域的联系。本文还揭示了未解决的问题，并提出了几个研究方向，以期启发并推动未来迈向更安全的人工智能方法的研究。