魔鬼藏于误分类样本之中：迈向统一开放集识别

开放集识别（OSR）旨在识别在训练过程中未见过类别的测试样本。近来，统一开放集识别（UOSR）被提出，用于不仅拒绝未知样本，还拒绝已知但被误分类的样本，这在现实应用中往往更实用。UOSR自提出以来鲜受关注，但我们发现其在现实应用中有时甚至比OSR更实用，因为已知但被误分类样本的预测结果同样像未知样本一样是错误的。本文在不同训练与评估设定下深入分析UOSR任务，以阐明这一有前景的研究方向。为此，我们首先评估了若干OSR方法的UOSR性能，并展示了一个重要发现：对于同一方法，UOSR性能始终大幅超越OSR性能。我们表明原因就在于已知但被误分类的样本，因为其不确定性分布与未知样本极为接近，而非与已知且正确分类的样本接近。其次，我们分析了OSR的两种训练设定（即预训练与离群值暴露）如何影响UOSR。我们发现尽管二者均有助于区分已知且正确分类样本与未知样本，但预训练还有助于识别已知但被误分类样本，而离群值暴露则无此作用。除不同训练设定外，我们还提出了一种称为少样本UOSR的新评估设定，其中评估时每个未知类仅提供一至五个样本以辅助识别未知样本。我们提出FS-KNNS用于少样本UOSR，在所有设定下均达到最先进的性能。