我有带有大量标记数据的数据集（假设有k个类）。我还有另一个小得多的数据集，其中包含我想要标记的未标记数据。问题是在第二个数据集中，类的数量不必与第一个数据集中的类数相同（更准确地说，可能有更多的类）。换句话说，来自未标记数据集的一些对象可以分类到k个可能的类之一，因为它们“离它们太近了”，但是一些对象应该被分类到新的类中。
真实世界的例子：在某些应用程序中，类的数量会随着时间的推移而增加。例如，已知物种的数量随着时间的推移而增加，所以当我在自然界中看到任何未知的植物时，生物学家可以对其进行分类或说这是新发现（新类别）。
有没有处理这种分类的技术？任何帮助表示赞赏。
这个问题有时被称为开放集识别或分类。Arxiv 最近有一项关于开放集识别的调查https://arxiv.org/pdf/1811.08581
当数据点是图像时，这个问题也称为零镜头学习 https://en.wikipedia.org/wiki/Zero-shot_learning （我认为）
这似乎是一个聚类问题 - 如果您不知道您将拥有什么以及有多少类，那么无监督学习适合您。例如，如果您经过训练的分类器对某个训练示例非常有信心，那么您可以断定它属于已知类别。如果您的分类器不确定（例如，它预测每个现有类别的概率小于 30%），那么您会得出结论，您遇到了一些以前未知的类别。在这种情况下，您可以对那些未知类使用无监督学习或手动标记这些样本，引入一些新类。
您可以将所有已知的类视为一个类，并运行一些异常值检测/新颖的检测算法。例如，一类 SVM
因此我们可能有分层分类器，第一个检查数据是否是一些新物种，如果不是，那么第二个分类器将数据分类为已知类。