Bias modelu (self-bias) to zjawisko, w którym algorytm sztucznej inteligencji wykazuje systematyczne odchylenia wynikające z uczenia się na własnych wcześniejszych prognozach lub wygenerowanych danych. Prowadzi to do utrwalania i stopniowego potęgowania istniejących błędów, ponieważ model traktuje swoje własne wyniki jako obiektywne źródło wiedzy. Problem ten jest szczególnie widoczny w iteracyjnych procesach trenowania oraz przy wykorzystaniu danych syntetycznych. Aby zapobiec powstawaniu self-biasu, konieczne jest wprowadzanie niezależnych danych walidacyjnych i bieżąca korekta wyników modelu.
Bias modelu (self‑bias) – systematyczne odchylenia wynikające z własnych prognoz modelu (Model bias (self-bias))
