Deteksi Luar Distribusi
Deteksi Luar Distribusi (OOD) adalah seperangkat teknik yang mengidentifikasi kapan model pembelajaran mesin yang diterapkan menerima masukan yang berbeda secara signifikan dari distribusi data pelatihannya. Diperkenalkan sebagai masalah formal oleh Hendrycks dan Gimpel pada tahun 2017, metode ini memungkinkan model untuk menandai masukan yang tidak dikenal daripada secara diam-diam menghasilkan prediksi yang tidak dapat diandalkan, menjadikannya fundamental untuk penerapan AI yang tepercaya dan aman di domain berisiko tinggi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/id/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 ForestPembelajaran Mesin↔ compare
- Kalibrasi ModelPembelajaran Mesin↔ compare
- Kuantifikasi KetidakpastianSimulasi↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →