Módszerbizonyíték rekord

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

Forrásrekord

A hivatkozások szó szerint a módszer forrásrekordjából kerültek átvételre. Ezekből nem következtethető ki állítás-szintű ellenőrzés.

Taxonómiai módszerrekord · 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

Teljes módszer megnyitása

Kurált állítások

Az állítások a bizonyíték-jegyzőkönyvben tárolódtak, mindegyik saját értékeléssel.

Még nincsenek kurált állítások

Ez a nézet nem hoz létre állítás-értékelést, ha a jegyzőkönyvben nincs.

Kapcsolódó módszerek

A módszergráfból generálva és gépi javaslatú kapcsolatokként jelenítve meg – nem következtethető ki bizonyíték-állítás.

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.