Detektion af uden-distributionsdata
Detektion af uden-distributionsdata (OOD) er et sæt af teknikker, der identificerer, når en implementeret maskinlæringsmodel modtager input, der afviger signifikant fra dens træningsdatafordeling. Introduceret som et formelt problem af Hendrycks og Gimpel i 2017, muliggør disse metoder, at modeller kan markere ukendte input i stedet for tavst at producere upålidelige forudsigelser, hvilket gør dem fundamentale for troværdig og sikker implementering af AI i højrisikoområder.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/da/machine-learning/out-of-distribution-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Isolation ForestMaskinlæring↔ compare
- ModelkalibreringMaskinlæring↔ compare
- Kvantificering af UsikkerhedSimulering↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →