Eloszlásból Kívüli Detektálás
Az eloszlásból kívüli (OOD) detektálás olyan technikák összessége, amelyek azonosítják, amikor egy telepített gépi tanulási modell olyan bemeneteket kap, amelyek jelentősen eltérnek a betanítási adatok eloszlásától. Hendrycks és Gimpel 2017-ben formális problémaként vezették be, és ezek a módszerek lehetővé teszik a modellek számára, hogy ismeretlen bemeneteket jelezzenek, ahelyett, hogy csendben megbízhatatlan előrejelzéseket produkálnának, így alapvető fontosságúak a megbízható és biztonságos mesterséges intelligencia telepítéséhez a nagy tétű területeken.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/hu/machine-learning/out-of-distribution-detection
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Isolation ForestGépi tanulás↔ összehasonlítás
- ModellkalibrációGépi tanulás↔ összehasonlítás
- Bizonytalanság-kvantifikálásSzimuláció↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →