一、RPL（Reciprocal Point Learning）

在开放集检测中，RPL（Reciprocal Point Learning）方法旨在识别出不属于任何已知类别的开放集样本。

RPL方法基于以下原则：开放集样本与已知类别之间的差异性较大，因此可以通过寻找一个特殊点来表示这种差异性。

核心思想

RPL方法的核心思想是学习一个互补点（reciprocal point），该点在特征空间中代表与已知类别的“其他性（otherness）”。

• 互补点被设计为与已知类别的特征分布相反或互补的特征表示。

训练阶段

在RPL方法中，训练阶段通过使用已知类别的样本来学习互补点。一种常见的方法是最小化已知类别样本与互补点之间的距离，同时最大化已知类别样本与其真实类别中心之间的距离，以确保互补点能够有效地表示“其他性”。

测试阶段

在测试阶段，对于一个待分类的样本，可以计算其与互补点的距离。

• 如果样本与互补点的距离较大，那么它被认为是开放集样本，不属于任何已知类别；
• 如果样本与互补点的距离较小，则说明属于已知类；

根据定义，开放集样本与互补点之间的距离应该相对较大，因为互补点代表了与已知类别的差异性。

二、ARPL

ARPL : 在计算特征距离时同时考虑欧氏距离和余弦距离来扩展RPL（互补点学习）方法。

在ARPL中，$S(y\in C|x)$ 的计算基于图像与任何互补点之间在特征空间中的最大距离。这个距离是通过结合欧氏距离和余弦距离计算得到的。

• 欧氏距离衡量特征空间中两个点之间的直线距离，
• 余弦距离衡量两个特征向量之间的角度差异。

$S(y\in C|x)=ma{x}_{y\in C}(d_e(x,y)+d_c(x,y))$

通过考虑这两种距离，ARPL旨在捕捉图像与互补点之间的不同相似性或差异性。最大距离表示图像与任何互补点之间最大的差异性，表明存在开放集样本的可能性。

三、ARPL+CS

ARPL + CS (Chen et al., 2021)是对ARPL方法的扩展，通过引入 “混淆样本”（confusing samples） 来模拟“未知类别”样本。

学习数据的潜在表示，使得相似样本在 潜在空间 中更接近，而不相似样本则更远离。为了实现这一目标，ARPL+CS方法通过引入混淆样本来增加训练数据的多样性。

混淆样本

如何生成： 通过对原始样本进行扰动或变换而生成。这些扰动可以是像素级别的扰动，也可以是对输入进行旋转、缩放、平移等几何变换。通过在训练过程中将混淆样本与原始样本一起使用，模型被迫学习到对这些扰动具有鲁棒性的表示。

目的

用于代表“未见过的类别”样本。引入对抗性扰动，以增强模型的鲁棒性和泛化能力。

作用

1. 增加数据多样性：混淆样本通过引入扰动，使得训练数据更加多样化。这有助于模型学习到更丰富的数据表示，提高对不同变化和变体的泛化能力。

2. 鲁棒性训练：通过训练模型对混淆样本进行区分，模型被迫学习到对扰动具有鲁棒性的表示。这有助于提高模型对输入变化、噪声和干扰的鲁棒性。

3. 对抗性学习：混淆样本的引入可以看作是一种对抗性学习的方式，模型需要学习将原始样本与混淆样本区分开来。这使得模型能够更好地区分相似和不相似的样本，从而更好地学习到数据的潜在结构和表示。