يتطلب التعرف المفتوح (Open set recognition) من فئة تصنيفية أن تكتشف عينات لا تنتمي إلى أي من الفئات المُدرَّسة في مجموعة التدريب الخاصة بها. تعتمد الطرق الحالية على تكييف توزيع احتمالي على العينات التدريبية في فضاء التضمين (embedding space)، ثم اكتشاف العينات الشاذة (outliers) وفقًا لهذا التوزيع. وغالبًا ما يُستخلص فضاء التضمين من فئة تصنيفية تمييزية (discriminative classifier). ومع ذلك، فإن تمييز التمثيل (representation) هذا يركّز فقط على الفئات المعروفة، وهو ما قد لا يكون حاسمًا في التمييز بين الفئات غير المعروفة. نحن نرى أن فضاء التمثيل ينبغي أن يُتعلم بشكل مشترك من فئة التصنيف للعينات الداخلية (inlier classifier) ومرشح الكثافة (density estimator) الذي يعمل كمُكتشف للعينات الشاذة. نقترح إطار عمل يُسمى OpenHybrid، الذي يتكون من معالج (encoder) لتحويل البيانات المدخلة إلى فضاء تضمين مشترك، وفئة تصنيفية لتصنيف العينات إلى فئات داخلية (inlier classes)، ومرشح كثافة مبني على التدفق (flow-based density estimator) لاكتشاف ما إذا كانت عينة ما تنتمي إلى الفئة غير المعروفة. من المشكلات الشائعة في النماذج القائمة على التدفق أن تكون قادرة على تعيين احتمالية أعلى للعينات الشاذة. ومع ذلك، لاحظنا تجريبيًا أن هذه المشكلة لا تحدث في تجاربنا عند تعلم تمثيل مشترك للعناصر التمييزية والتخمينية (generative). كما أظهرت التجارب على معايير قياسية للتعرف المفتوح أن نموذج OpenHybrid المدرب بشكل متكامل (end-to-end) يتفوّق بشكل كبير على أحدث الطرق المُعتمدة والأساليب القائمة على التدفق.