Zdolność uogólniania na dane spoza rozkładu treningowego (out-of-distribution) to cecha modelu uczenia maszynowego pozwalająca na poprawne działanie na danych o innej charakterystyce statystycznej niż te użyte podczas szkolenia. W klasycznym podejściu zakłada się, że dane testowe i treningowe pochodzą z tego samego rozkładu, jednak w rzeczywistych warunkach często dochodzi do przesunięć dystrybucyjnych. Wysoka zdolność uogólniania OOD oznacza, że model potrafi wyodrębnić uniwersalne reguły i zależności, zamiast polegać na specyficznych cechach zbioru treningowego. Jest to kluczowe dla bezpieczeństwa i niezawodności systemów AI w zmiennych, nieprzewidywalnych środowiskach.
Zdolność uogólniania na dane spoza rozkładu treningowego (out-of-distribution)
