Deteksjon av utenfor-distribusjon
Deteksjon av utenfor-distribusjon (OOD) er et sett med teknikker som identifiserer når en implementert maskinlæringsmodell mottar input som avviker vesentlig fra dens treningsdatafordeling. Introdusert som et formelt problem av Hendrycks og Gimpel i 2017, gjør disse metodene det mulig for modeller å flagge ukjente input i stedet for å stille produsere upålitelige prediksjoner, noe som gjør dem grunnleggende for pålitelig og trygg AI-implementering i domener med høy innsats.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/no/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 ForestMaskinlæring↔ compare
- ModellkalibreringMaskinlæring↔ compare
- Kvantifisering av usikkerhetSimulering↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →