---
title: "開集識別（Open-set Recognition）"
slug: open-set-recognition
language: zh-TW
source: https://aiterms.tw/terms/open-set-recognition
updated_at: 2026-07-30
tags: [異常檢測, 分類, 未知識別, 深度學習, 開放世界]
ipas_term: false
---

# 開集識別（Open-set Recognition）

分類任務中測試集包含訓練集未見過的類別，模型需識別『這是一個未知類別』的問題。

## 完整說明

開集識別（Open-set Recognition）是開放世界假設下的分類問題，與傳統閉集分類（訓練集與測試集類別相同）不同，開集識別中測試時會出現訓練未見過的類別。模型不僅需分類已知類別，更要識別未知樣本並拒絕預測，避免盲目將未知樣本硬分配給已知類別。

## 常見問題

### 開集識別和異常檢測（Anomaly Detection）有什麼區別？

異常檢測著眼於『識別偏離正常分布的樣本』，通常是無監督或僅用正常樣本訓練，測試時任何偏異就標記為異常。開集識別則著眼於『識別已知類別外的樣本』，通常在多個已知類別上進行監督訓練，測試時需區分『這是哪個已知類』還是『這是未知類』。異常檢測是一元分類（正常 vs. 異常），開集識別是多元分類（已知多類 vs. 未知）。在應用中，兩者往往結合：先用異常偵測識別『有異常』，再用開集識別判斷『是已知類中的邊界樣本』還是『完全未知類』。

### Weibull 分布為什麼適合建模開集邊界？

Weibull 分布（Weibull Distribution）是極值理論中的經典分布，擅長建模『最大值或最小值的分布』。在開集識別中，我們關心『一個樣本到已知類中心的距離有多遠』，本質上是在距離這個『最值』上做推理。Weibull 分布能自然地表示『該類型的樣本距離中心通常多遠』（尺度參數）和『距離分布是否集中還是分散』（形狀參數）。訓練時，收集該類所有樣本的距離，擬合 Weibull 參數；測試時，未知樣本到某已知類的距離若對應的 Weibull 機率很低（『這個距離在該類是罕見的』），則判為不屬於該類，進而是未知。相比簡單的距離閾值，Weibull 基於機率論，更魯棒且可解釋。

### 如何處理『近距離未知』（與已知類視覺相似的未知類）？

近距離未知是開集識別最困難的情況（如訓練了貓，測試時出現老虎）。簡單的距離度量無法區分，因為老虎在特徵空間中就在貓附近。主要應對策略：第一，在訓練時引入『相似干擾』：如訓練 10 類狗，同時引入『其他犬科動物（狐狸等）』作為開集類樣本，學習更精細的邊界。第二，增加特徵判別性：使用對比學習或中心損失，使已知類聚集，類間距離最大化，同時未知類被推遠。第三，多層級決策：結合語義信息（如分類層級：貓=肉食性動物, 老虎也是肉食性但屬科差異大），分層判斷。第四，接受部分誤差：在實際應用中，對於最相似的未知類，往往設定允許某個比例的誤判率（如 10%），以換取對其他未知類更高的拒絕率。

---

來源：https://aiterms.tw/terms/open-set-recognition
快查頁：https://aiterms.tw/terms/open-set-recognition
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-open-set-recognition