Detección de Out-of-Distribution

La detección de Out-of-Distribution (OOD) es un conjunto de técnicas que identifican cuándo un modelo de aprendizaje automático implementado recibe entradas que difieren significativamente de la distribución de sus datos de entrenamiento. Introducido como un problema formal por Hendrycks y Gimpel en 2017, estos métodos permiten a los modelos señalar entradas desconocidas en lugar de producir silenciosamente predicciones poco fiables, lo que los convierte en fundamentales para una implementación de IA fiable y segura en dominios de alto riesgo.