在持续开放世界学习中的不确定性量化

部署在现实世界中的 AI 应能够自动适应部署后遇到的新颖情况。然而，在持续学习领域，依赖 novelty 和 labeling oracle 的做法仍然普遍尽管不切实际。本文解决了一个具有挑战性且鲜有探索的问题：部署的 AI 代理持续遇到未标记的数据——这些数据可能包括已知类别的未见样本以及来自新 (未知) 类别的样本——必须持续适应。为解决这一挑战，我们提出了我们的方法 COUQ "Continual Open-world Uncertainty Quantification"，这是一种针对在通用持续开放世界多类设置中学习的迭代不确定性估计算法。我们严格地在 Continual Open-World 的关键子任务上应用和评估 COUQ：持续 novelty 检测、uncertainty 指导的主动学习和uncertainty 指导的半监督 CL 中的 pseudo-labeling。我们在多个数据集上展示了该方法的有效性，进行了 ablation 分析，所选 backbone 性能优于最先进的水平。