Detecció de distribucions externes
La detecció de distribucions externes (OOD, de l'anglès Out-of-Distribution) és un conjunt de tècniques que identifiquen quan un model de machine learning desplegat rep entrades que difereixen significativament de la distribució de les dades d'entrenament. Introduïdes com a problema formal per Hendrycks i Gimpel el 2017, aquests mètodes permeten als models assenyalar entrades desconegudes en lloc de produir silenciosament prediccions poc fiables, convertint-se en fonamentals per al desplegament d'IA de confiança i segura en dominis d'alt risc.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/ca/machine-learning/out-of-distribution-detection
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Isolation ForestAprenentatge automàtic↔ compara
- Calibració del modelAprenentatge automàtic↔ compara
- Quantificació d'IncertesaSimulació↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →