1.SVM类
1-vs-set(定义,风险最小化问题,二分类隔板1-vs-set svm)
- BFHC:增加各种平板限制,类似于GEPSVM,TSVM
- OCSSVM:基本和1-vs-set的ocsvm版本一致
- OC-EPCC:多面体凌锥分类器
W-SVM(多分类,CAP,匹配和非匹配EVT,RBF核保证风险有界)
- PISVM(多分类,匹配EVT):分类分数区分不同已知类,EVT指明已知的概率。
- OSSVM(针对RBF SVM添加正则项使偏置项为非负,避免偏置为负时的无限开放空间风险,不需要EVT)
- CBSSVM(基于相似度空间,由于距离的引入可以产生有限的开放空间风险)
- POSSVM(通过验证集概率)
2.其他类
EVM:引入距离到极值理论中,类似于对抗代换点的概念,也有有限开放空间风险。
SENCForest:引入完全随机树
SENC-MaS:Class Matrix Sketching用低秩矩阵来近似原始信息,降低复杂度
GPD+GEV: 改进EVM的部分缺陷,克服EVM已知类和未知类的几何形状不同时的开放集识别任务
HFCN and HPLS:?非主流方法
LACU-SVM:Local learning
- 如果一个样本在特征空间中与训练样本相距甚远,则被认为是新颖的[5]。决策不需要考虑所有已知的样本,而是可以通过只从k个最近的邻居中学习一个新颖性检测模型,以特定于样本的方式进行。
- 视觉对象的高度多样性。视觉特征在特征空间中的分布是非常复杂的,即使是未知的类别也只是与已知的类别略有不同。
OSNN:最佳样本距离比(不同类的最近距离):这个例子是说没怎么说明风险可管理的呢?
OSOPF+GP+fusion
SROSR:重建损失