실세계에서 준지도 학습을 적용하는 데 있어 근본적인 제한은 라벨이 없는 테스트 데이터가 라벨이 있는 훈련 데이터에서 이전에 만났던 클래스만 포함한다는 가정입니다. 그러나 이 가정은 자연 상태의 데이터에서는 거의 성립하지 않으며, 새로운 클래스에 속하는 인스턴스가 테스트 시점에 나타날 수 있습니다. 본 연구에서는 이러한 새로운 클래스가 라벨이 없는 테스트 데이터에 나타날 수 있다는 개념을 체계화한 새로운 오픈 월드 준지도 학습 환경을 소개합니다. 이 새로운 환경에서 목표는 라벨이 있는 데이터와 라벨이 없는 데이터 간의 클래스 분포 불일치를 해결하는 것입니다. 테스트 시점에서 모든 입력 인스턴스는 기존 클래스 중 하나로 분류되거나, 새로운 미지의 클래스를 초기화해야 합니다. 이 어려운 문제를 해결하기 위해, 우리는 ORCA라는 종단간 딥러닝 접근법을 제안합니다. ORCA는 불확실성 적응 마진 메커니즘을 도입하여, 기존 클래스의 판별 특성을 새로운 클래스보다 더 빠르게 학습함으로써 발생하는 기존 클래스 편향을 완화합니다.这样一来，ORCA 减少了已见类别与新类别之间的类内方差差距。在图像分类数据集和单细胞注释数据集上的实验表明，ORCA 在已见类别上比其他基线方法提高了 25%，在 ImageNet 数据集的新类别上提高了 96%。为了确保最后一句的准确性并符合韩语表达习惯，这里进行适当调整：이미지 분류 데이터셋과 단일 세포 주석 데이터셋에서 수행된 실험 결과, ORCA는 기존 클래스에서 다른 기준 모델들보다 25% 개선되었으며, ImageNet 데이터셋의 새로운 클래스에서는 96% 개선되었습니다.