我不是研究神经网络的人，也不是从事与该领域相关的任何事情的人，但我看过一些研讨会、视频（例如3Blue1Brown 的系列），我总是被告知我们正在尝试网络收集了大量关于什么是正确的数据。例如，当我们训练一个人工智能让它识别手写文字时，我们所做的就是给它一些手写字母，让它猜测字母。如果猜错了，我们通过某种方式调整神经网络，下一次它会以更大的概率给我们正确的结果（“学习”过程的基本描述可能不准确，但它是就这个问题而言并不重要。）

但这就像向学生教授一些数学科目，却不告诉他/她我们提供的定理的界限；例如，如果我们教 A 暗示 B，学生可能倾向于将 A 与 B 联系起来，当他/她有 B 时，他/她可能会说我们也有 A，所以要确保他/她不会犯这样的错误，我们要做的就是向他/她展示一个反例，我们有 B，但没有 A。

这 - 即不仅教什么是真实的，而且什么是不真实的 - 在神经网络的“学习”过程中尤其重要，因为整个过程在某种意义上是“无界的”（请原谅我在这里的含糊不清） .

所以，如果我在研究神经网络，我会怎么做；例如在上面对手写字母情况的识别中：我还会向 NN 显示一些非字母图像，并在最后一层将一个选项设置为“非字母”以及所有其他字母，这样 NN 应该并不总是仅仅为了给给定输入产生结果而返回一个字母，它还需要选择说“我不知道”，在这种情况下它会产生结果Not a Letter。

问题

有没有人曾经将上述方法应用于神经网络并得到结果？如果是这样，与没有“我不知道”选项的情况相比，结果如何。