Outlier Exposure — Mengurangi Overconfidence Model dengan Data OOD Eksternal

Outlier Exposure adalah pendekatan training yang membantu model membedakan antara input yang masih berada dalam distribusi data yang dipelajari dan input baru yang berada di luar distribusi dengan memanfaatkan data out-of-distribution (OOD) eksternal. Pada model klasifikasi biasa, model sering tetap memilih salah satu kelas yang sudah dikenal meskipun menerima input yang sama sekali belum pernah muncul selama training. Masalah ini menyebabkan model dapat memberikan prediksi yang salah dengan confidence yang sangat tinggi. Outlier Exposure mengatasi masalah tersebut dengan memperkenalkan data OOD sejak proses training, sehingga model belajar untuk menurunkan confidence ketika menghadapi input yang berada di luar cakupan pengetahuannya.

07/18/2026