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.
Degeneration der Zuverlässigkeit
Deep-Learning-Experten gehen häufig davon aus, dass Test- und Trainingsdaten dieselbe Verteilung aufweisen. Leider trifft diese Annahme in der Praxis nicht immer zu. Die Welt entwickelt sich und Daten, die aus der future generiert werden, sind oft out-of-distribution (gut). Wenn sich der Kontext ändert, wird die Annahme der Verteilung folglich weniger realistisch, ebenso wie die Zuverlässigkeit unserer Vorhersagen und Unsicherheiten (Fort, Hu und Lakshminarayanan 2019, Nalisnick et al. 2019, Ovadia et al. 2019). Tatsächlich kann die Prognoseleistung abnehmen, während die Messwerte für das Vertrauen steigen, was zu einem unbemerkten Misserfolg führt.
