Machine learningTrustworthy ML
זיהוי מחוץ לתחום התפלגות
זיהוי מחוץ לתחום התפלגות (OOD) הוא קבוצה של טכניקות המזהות מתי מודל למידת מכונה פרוס מקבל קלטים השונים באופן משמעותי מהתפלגות נתוני האימון שלו. שיטות אלו, שהוצגו כבעיה פורמלית על ידי Hendrycks ו-Gimpel בשנת 2017, מאפשרות למודלים לסמן קלטים לא מוכרים במקום לייצר באופן שקט תחזיות לא אמינות, מה שהופך אותן ליסוד לפריסה אמינה ובטוחה של בינה מלאכותית בתחומים בעלי סיכון גבוה.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/he/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.
Compare side by side →