OpenGAN：通过开放数据生成实现开放集识别

现实世界机器学习系统需分析可能与训练数据不同的测试数据。在 K 类分类中，这被清晰表述为开放集识别，其核心是判别位于 K 个闭集类之外的开放集数据的能力。两个概念上优雅的开放集判别思路是：1）利用一些离群数据作为开放集，判别性地学习开放对闭集的二分类器；2）用 GAN 无监督学习闭集数据分布，以其判别器作为开放集似然函数。然而，前者因对训练离群过拟合而泛化至多样开放测试数据能力差，这些离群不太可能穷尽开放世界。后者表现不佳，推测因 GAN 训练不稳定。受此启发，我们提出 OpenGAN，通过结合二者并辅以若干技术洞见来克服各自局限。首先，我们表明在某些真实离群数据上精心选择的 GAN 判别器已达成最优性能。其次，我们用对抗合成的“假”数据扩充可用真实开放训练样本集。第三且最关键地，我们在闭世界 K 类网络计算的特征上构建判别器。这使 OpenGAN 可通过在现有 K 类网络顶端构建轻量判别头实现。大量实验表明 OpenGAN 显著优于先前开放集方法。