DETERMINISTIC - AWSPräskriptive Anleitung

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

DETERMINISTIC

Praktiker von Deep Learning gehen oft davon aus, dass Testdaten und Trainingsdaten dieselbe Verteilung teilen. Leider gilt diese Annahme nicht immer in der Praxis. Die Welt entwickelt sich, und Daten, die aus der Zukunft generiert werden, sind oft nicht verbreitet (ood). Wenn sich der Kontext ändert, wird die In-Distributions-Annahme daher weniger realistisch, ebenso wie die Zuverlässigkeit unserer Vorhersagen und Unsicherheiten (Fort, Hu und Lakshminarayanan 2019,Nalisnick et al. 2019,Ovadia et al. 2019) enthalten. In der Tat kann die vorausschauende Leistung abnehmen, während die Kennzahlen des Vertrauens zunehmen, was zu einem stillen Ausfall führt.