Dağılım Dışı Tespit
Out-of-Distribution Detection · Ayrıca şöyle bilinir: OOD Detection, Novelty Detection, Open-Set Recognition, Dağılım Dışı Tespit
Dağılım Dışı (OOD) tespit, dağıtılmış bir makine öğrenimi modelinin, eğitim veri dağılımından önemli ölçüde farklı girdiler aldığında bunları tanımlayan bir dizi tekniktir. Hendrycks ve Gimpel tarafından 2017'de resmi bir problem olarak tanıtılan bu yöntemler, modellerin güvenilmez tahminler üretmek yerine, bilmedikleri girdileri işaretlemesini sağlayarak, yüksek riskli alanlarda güvenilir ve güvenli yapay zeka dağıtımı için temel oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Test dağılımının eğitim verileriyle eşleşmeyebileceği açık dünya ortamlarında sınıflandırıcıları dağıtırken OOD tespitini kullanın — örneğin tıbbi teşhis, otonom sürüş, dolandırıcılık tespiti ve endüstriyel denetim. Temel yaklaşım, iyi kalibre edilmiş bir sınıflandırıcı ve temsili bir dağılım içi doğrulama seti varsayar. Dağılım içi ve OOD sınıfları benzer özellik temsillerini paylaştığında daha az etkilidir. Alternatifler arasında enerji tabanlı skorlama, Mahalanobis uzaklık yöntemleri ve daha zorlu tespit senaryoları için derin topluluk belirsizlik tahmini bulunur.
Güçlü yönler & sınırlılıklar
- Basit ve eğitim gerektirmeyen: Temel yöntem modelin yeniden eğitilmesini gerektirmez, bu da mevcut herhangi bir sınıflandırıcıya kolayca eklenebilmesini sağlar.
- Güçlü ampirik temel: Maksimum softmax olasılığı, birçok kıyaslama testinde rekabetçi OOD tespit performansı sağlar.
- Yorumlanabilir skorlama: Tek bir skaler güven skoru, operasyonel kullanım için kolayca iletilir ve eşiklenir.
- Geniş ölçüde uygulanabilir: Çerçeve, sınıflar üzerinde bir olasılık dağılımı çıkaran herhangi bir sinir ağına uygulanabilir.
- Sinir ağları, softmax fonksiyonunun doğası gereği, açıkça OOD girdileri için bile yüksek güvenli softmax skorları üretebilir.
- Eşik kalibrasyonu, pratikte derlenmesi zor olabilecek temsili bir dağılım içi doğrulama seti gerektirir.
- OOD verileri eğitim verilerine anlamsal olarak yakın olduğunda performans düşer (yakın-OOD tespiti, uzak-OOD'den daha zordur).
- Ayrıntılı belirsizlik tahminleri sağlamaz; yalnızca sabit bir eşikte ikili bir iç/dış kararı verir.
SSS
OOD tespiti, anomali tespiti ile aynı mıdır?
Yakından ilişkili olsalar da aynı değillerdir. Anomali tespiti geleneksel olarak etiketli normal veri olmadığını varsayar ve yoğunluk tahminine odaklanırken, OOD tespiti genellikle önceden eğitilmiş denetimli bir sınıflandırıcıdan yararlanır. OOD tespiti, sınıflandırıcıların açık dünya dağıtımındaki güvenilirliğini özel olarak ele alırken, anomali tespiti denetimsiz ortamlarda da kullanılan daha geniş bir paradigmaya sahiptir.
Softmax temeli neden bazen OOD örneklerini tespit edemez?
Softmax çıktıları kalibre edilmiş olasılık tahminleri değildir — logit uzayının sınırsız doğası nedeniyle eğitim manifoldundan uzak girdiler için keyfi olarak yüksek olabilirler. Softmax fonksiyonu çıktıları bire toplamaya zorladığı için, OOD girdileri hala yüksek maksimum skorlar veren logit uzayının bölgelerine düşebilir ve bu da güvenli ancak yanlış tahminlere neden olabilir.
OOD tespiti için hangi değerlendirme metrikleri kullanılır?
En yaygın iki metrik, tüm eşikler boyunca performansı özetleyen AUROC (Alıcı İşletim Karakteristiği Eğrisi Altındaki Alan) ve FPR-at-95%-TPR (dağılım içi örneklerin %95'i doğru şekilde korunduğunda yanlış pozitif oranı)'dır. Her ikisi de eşikten bağımsız özet istatistiklerdir ve yöntemler ile veri kümeleri arasında karşılaştırma yapılmasına olanak tanır.
Kaynaklar
- Hendrycks, D., & Gimpel, K. (2017). A baseline for detecting misclassified and out-of-distribution examples in neural networks. International Conference on Learning Representations. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Out-of-Distribution Detection. ScholarGate. https://scholargate.app/tr/machine-learning/out-of-distribution-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Model KalibrasyonuMakine öğrenmesi↔ karşılaştır
- Belirsizlik KuantifikasyonuSimülasyon↔ karşılaştır