<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Out-of-Distribution Detection on Nalar</title>
    <link>https://nalar.dev/id/tags/out-of-distribution-detection/</link>
    <description>Recent content in Out-of-Distribution Detection on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Tue, 08 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/out-of-distribution-detection/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Deteksi Input Out-of-Distribution dengan Energy Score</title>
      <link>https://nalar.dev/id/deteksi-input-out-of-distribution-dengan-energy-score/</link>
      <pubDate>Tue, 08 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/deteksi-input-out-of-distribution-dengan-energy-score/</guid>
      <description>&lt;p&gt;Classifier dapat sangat akurat pada test set tetapi tetap menghasilkan prediksi dengan confidence tinggi untuk input yang jauh berbeda dari data training. Classifier produk yang dilatih pada sepatu, tas, dan jam tangan dapat menerima foto sepeda tetapi tetap dipaksa memilih salah satu class yang dikenalnya.&lt;/p&gt;&#xA;&lt;p&gt;Ini menimbulkan masalah deployment: classification biasa menjawab &lt;strong&gt;class dikenal mana yang paling mungkin&lt;/strong&gt;, sementara banyak sistem juga perlu menentukan &lt;strong&gt;apakah input cukup menyerupai data tempat classifier divalidasi&lt;/strong&gt;.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
