（自用，希望对您也产生一点帮助）
这三种技术都可以让模型具备识别未知/未标注事物的能力
检索增强（查资料）：不仅仅依赖于模型本身的参数（参数化模型），还可以通过检索外部知识库（非参数化记忆）的相关信息，提高模型表现。
知识蒸馏 （拜师学艺）：是让一个轻量级的"学生模型"去学习一个"重量级"的教师模型。精髓在于让学生模型去学习教师模型输出的富含"暗知识"的概率分布。但教师模型输出的概率分布往往比较"硬"，例如[0.01,0.12,0,0,0,0.87]这种，为了让隐藏在极小概率值中的"暗知识"更容易被学生学习，需要将其软化，例如[0.1,0.3,0.07,0,0.03,0.5]这种。通过引入温度T即可解决这个问题。
当T=1时，是标准的softmax函数，T>1时，软化过程，0<T<1时，硬化过程。
学生模型的损失函数由两部分组成，第一部分保证模型具备独立解决问题的能力（当T=1时，模型的预测结果与真实标签的交叉熵损失），第二部分是为了保证模型能学习到教师模型的暗知识（当T1=T2>1时，教师模型与学生模型预测结果概率分布的KL散度，衡量两个分布之间的差异）
知识蒸馏
伪标签扩展（自学成才）：用模型去对未标注数据进行预测，预测的类别可能来源于一个大的词汇表（之前可能都没见过），选择置信度高的预测，将它们视为这批数据的伪标签，用这些带有伪标签的新数据来重新训练或微调检测器