一个开放世界学习范式主要包括三个部分，即未知剔除、新类发现（NCD）和增类学习（CIL）。
开放世界学习的总体挑战
开放世界学习包括按顺序和周期执行未知剔除、新类发现和类递增学习。核心挑战在于如何使上述过程在不依赖人类工程师的情况下，通过模型与开放环境之间的交互自动进行。遗憾的是，在封闭世界假设下，模型过于自信，很难意识到未知事物。具体来说，从表征学习的角度看，模型只在当前数据集上进行数据驱动的优化训练，学习到的表征是特定任务的，通用性较差；从分类器学习的角度看，当前的判别分类器为未知事物留下的空间很小，难以表征、发现和适应新事物。因此，未知类别的示例会被映射到已知类别的区域，导致在后一个增量学习过程中对先前知识的灾难性遗忘。
未知剔除
为了提高机器学习系统的未知剔除能力，人们做了很多努力。与未知剔除相关的研究领域有很多，如异常检测、分布外（OOD）检测和开放集识别（OSR）。其中，异常检测在早期工作中得到广泛应用，而 OOD 检测和 OSR 则在近期工作中得到更多应用。OOD 检测和 OSR 的区别在于两个方面。首先，在 OOD 检测中，OOD 数据与内部分发（ID）数据之间的语义距离相对较大，例如，OOD 数据集通常是完全不相关的。而在 OSR 中，数据集中的一个类别子集被视为 ID，同一数据集中的其他类别被视为 OOD 数据。其次，OOD 检测主要集中于区分 OOD 样本和 ID 样本，而 OSR 还评估已知类的封闭世界分类性能。
新类发现
新类别发现（NCD）的基本设置是 Yu = Cnew 和 Yu T Yl = Φ，即未标记数据只包含新类别，且与已标记数据没有类别重叠。NCD 主要涉及 Du 中的类别发现。