Rilevamento Out-of-Distribution

Il rilevamento Out-of-Distribution (OOD) è un insieme di tecniche che identificano quando un modello di machine learning distribuito riceve input che differiscono significativamente dalla distribuzione dei dati di addestramento. Introdotto come problema formale da Hendrycks e Gimpel nel 2017, questi metodi consentono ai modelli di segnalare input non familiari piuttosto che produrre silenziosamente previsioni inaffidabili, rendendoli fondamentali per un'implementazione affidabile e sicura dell'IA in domini ad alto rischio.