开放集识别方法之极值机（The Extreme Value Machine，2018 TPAMI）

问题概述：识别新类并增量学习新类，即监督学习的分类算法应当能够拒绝未知类，把这些未知类孤立出来。（开放集识别）这样就可以人工标记这些未知类，然后以增量的方式加入到原来的分类器中，进一步强化分类能力。（增量学习）

背景：

方案与主要贡献：建立了一个理论上健全的分类器——极值机(EVM)。EVM从统计极值理论(EVT)中得到了很好的解释，是第一个能够进行非线性无核可变带宽增量学习的分类器。与同一深度网络衍生特征空间中的其他分类器相比，该分类器在ImageNet数据集的基准分区上具有较高的准确率和效率。贡献 1）基于距离度量的样本级极值概率建模  2）最小表征点选择过程

方案细节：

理论分析：

1）考虑一个只有单点Xi的类Ci的分类边界距离为，这个点到所有其他类点x_j(0,1,2...)中最近点的距离的一半mij=(min d(x_i,x_j))/2, 那么如果考虑每次取样一批这里的x_j,那么这个最小半距离应该服从什么分布内。

2）对于中心极限定理来说，无论一个随机变量X服从什么分布，每次取样一批随机变量的均值(或和)都服从正态分布。即

3）而类似地，极限分布（极值理论）是指，无论一个随机变量X服从什么分布，每次取样一批随机变量的最大值都服从极值分布F。即