Registre d'evidència del mètode

Out-of-Distribution Detection

Out-of-Distribution (OOD) detection is a set of techniques that identify when a deployed machine learning model receives inputs that differ significantly from its training data distribution. Introduced as a formal problem by Hendrycks and Gimpel in 2017, these methods enable models to flag unfamiliar inputs rather than silently produce unreliable predictions, making them foundational to trustworthy and safe AI deployment in high-stakes domains.

Sources recorded, not reviewed

Registre font

Les citacions es copien textualment del registre font del mètode. No s'infereix cap verificació a nivell de reclam d'elles.

Registre de mètode taxonòmic · ml-model / machine-learning

Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. · URL

Obre el mètode complet

Reclamacions curades

Les reclamacions s'han persistit al registre de proves, cadascuna amb la seva pròpia avaluació.

Encara no hi ha reclamacions curades

Aquesta vista no inventa una avaluació de reclam quan el registre no en té cap.

Mètodes relacionats

Generat a partir del gràfic de mètodes i mostrat com a relacions suggerides per la màquina; no s'infereix cap reclamació d'evidència.

Same method familyIsolation Forestmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketModel Calibrationmachine-suggested · Relational suggestion, not evidence.See alsoUncertainty Quantificationmachine-suggested · Relational suggestion, not evidence.