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