新方法在输出空间重分配近似标签移除结果，避免重训练分类模型
arXiv论文提出OSR方法，作为模块化输出过滤器，仅需现有标签和输出置信度即可模拟移除类别后的模型行为，实验显示性能接近完整重训练。
AI解读：分类系统常因标签体系演变需要移除某些类别，传统做法要么用原始数据重训练模型，要么调整特征空间，两者都代价高昂且可能涉及数据隐私。这篇论文提出直接在后端输出上做文章：将待移除类别的置信度按统计规律重新分配给剩余类别，从而近似重训练后的结果。对实际使用者来说，这意味着模型更新标签时不必再保留原始训练数据、不必花算力重训，可以在不触碰敏感数据的前提下快速调整分类器，尤其适合类别频繁变动或数据合规受限的场景。不过它是近似方法，效果取决于类别间的统计关系，文中只报告在多个分类任务上性能接近完整重训练，使用者仍需针对自身数据验证误差是否可接受。
arXiv一篇论文提出一种名为“输出空间重分配”（OSR）的方法，通过统计重分配输出空间的置信度来近似类别移除后的模型行为，无需对分类模型进行重训练或调整特征空间。该方法由南洋理工大学等机构的研究者提出，论文已被ICA3PP 2026接收。
方法细节与适用条件
OSR作为一种模块化输出过滤器，仅需现有标签和先前的输出置信度，即可生成一个重训练模型在移除指定类别后的置信度向量近似值。论文称，这一设计绕开了特征空间调整或损失函数收敛的负担，缓解了可扩展性限制，并因不依赖原始数据而可能降低隐私风险。
论文未在摘要中提供具体实现细节、实验数据集或性能数字。
实验结果与局限性声明
作者总结称，大量实验表明，与完整重训练相比，该方法在多个分类任务上性能具有竞争力，同时计算效率和隐私保护有所提升。但论文同时指出，现有重训练和特征空间调整方法普遍存在依赖原始数据、计算与存储开销大、结果不稳定、可扩展性差及模型效用下降等局限，OSR的研究动机正是针对这些短板。
上述内容全部来自论文摘要，未核实全文实验细节。