เปรียบเทียบวิธี

	โครงข่ายปฏิปักษ์เชิงกำเนิด	การตรวจจับข้อมูลนอกการแจกแจง
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014	2017
ผู้ริเริ่ม	Goodfellow, I. et al.	Hendrycks & Gimpel
ประเภท	Generative deep learning (adversarial two-network game)	Reliability and safety method for neural networks
แหล่งต้นตำรับ	Goodfellow, I. et al. (2014). Generative Adversarial Nets. NeurIPS.	Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations.
ชื่อเรียกอื่น	Üretici Çekişmeli Ağ (GAN), GAN, generative adversarial nets, adversarial network	OOD Detection, Novelty Detection, Open-Set Recognition, Dağılım Dışı Tespit
ที่เกี่ยวข้อง	4	3
สรุป	A Generative Adversarial Network (GAN), introduced by Ian Goodfellow and colleagues in 2014, produces realistic synthetic data through the competition of two neural networks — a generator and a discriminator. It is widely used for image synthesis, data augmentation, and distribution estimation.	Out-of-Distribution (OOD) detection is a set of techniques that identify when a deployed machine learning model receives inputs that differ significantly from its training data distribution. Introduced as a formal problem by Hendrycks and Gimpel in 2017, these methods enable models to flag unfamiliar inputs rather than silently produce unreliable predictions, making them foundational to trustworthy and safe AI deployment in high-stakes domains.