Обнаружение внераспределительных данных

Обнаружение внераспределительных данных (OOD) — это набор методов, которые определяют, когда развернутая модель машинного обучения получает входные данные, значительно отличающиеся от распределения данных, на которых она обучалась. Предложенные в качестве формальной проблемы Хендрикс и Гимпель в 2017 году, эти методы позволяют моделям помечать незнакомые входные данные вместо того, чтобы молча выдавать ненадежные прогнозы, что делает их основополагающими для надежного и безопасного развертывания ИИ в областях с высокими ставками.