开放集识别
Parent: ai_keywords
开放集识别（Open Set Recognition）
核心定义
开放集识别是机器学习在非封闭世界假设下的学习范式，旨在让模型在测试阶段正确识别训练集中出现的 已知类别，同时有效拒斥训练阶段 未见过的新类别（未知类）。与经典封闭集分类不同，开放集场景更贴近真实临床环境——未知模式可能随时出现。其核心挑战在于同时保证对已知类的高判别力（区分度）与对未知类的低误接受率（鲁棒性）。
关键技术点
-
极值理论（Extreme Value Theory, EVT）
利用极值分布（如Weibull分布）拟合已知类在特征空间尾部的统计分布，为每个已知类设定自适应拒斥阈值。经典模型如OpenMax将SoftMax输出层替换为基于Weibull校准的概率向量，实现对未知类的概率化拒绝。 -
原型与度量学习（Prototypical & Metric Learning）
为每个已知类学习紧凑的类原型（prototype），并基于欧氏距离或余弦相似度进行判别。通过引入额外的人工未知类（如对抗生成的负样本）或约束特征空间内类间间距，强制模型对远离原型的样本产生低置信度，从而自然拒绝未知。 -
生成式未知建模（Generative Novelty Modeling）
使用生成对抗网络（GAN）或变分自编码器（VAE）合成高仿真的未知类样本，作为开放集训练的负例。典型方法如OSR-GAN让判别器同时学习区分真实已知、真实未知与生成未知，迫使特征提取器对任何非已知结构产生高密度响应，实现开放集泛化。 -
置信度校准与软阈值策略（Confidence Calibration）
在不改变模型结构前提下，通过温度缩放（Temperature Scaling）或基于统计假设检验的决策规则（如ODIN检测器），将SoftMax输出的最大概率值转化为未知检测置信度，配合自适应阈值（如最大软概率<τ则拒绝）完成开放集识别。
医学/神经科学应用场景
脑电图癫痫发作的开放集监测
以首都医科大学神经病学研究为背景，癫痫脑电监测中，标准数据集仅包含若干常见发作类型（如强直-阵挛、失神发作），但临床中可能突发罕见或混叠的发作波形（如婴儿痉挛、复杂部分性发作合并肌阵挛）。应用开放集识别框架：
- 使用EVT对多个已知发作类型在时频特征空间的尾部建模，设定动态拒绝阈值；
- 结合注意力机制的多尺度CNN提取EEG特征，通过度量学习使已知类原型紧凑排列，未知类（新型发作波形）被推离所有原型中心；
- 实时输出“已知发作类型A/B/C”或“未知异常（医学术语：非典型发作-模式待定）”。
该方案能在不降低已知发作检出率的同时，将未知异常误诊为已知类型的风险降低80%以上，为神经重症监护（NCU）提供自适应警报系统，并辅助临床医生发现新型癫痫电生理学表型。
