---
title: "分布外偵測（Out-of-Distribution Detection (OOD)）"
slug: out-of-distribution-detection-ood
language: zh-TW
source: https://aiterms.tw/terms/out-of-distribution-detection-ood
updated_at: 2026-07-30
tags: [模型可靠性, 不確定性估計, 分布偏移, 深度學習, 安全AI]
ipas_term: false
---

# 分布外偵測（Out-of-Distribution Detection (OOD)）

識別模型在推論時遇到的輸入是否來自訓練資料分布之外的技術，以防止模型在未知情境下給出不可靠的預測。

## 完整說明

分布外偵測（OOD Detection，Out-of-Distribution Detection）是模型可靠性研究的核心課題之一，目標是在模型推論階段識別輸入樣本是否屬於訓練時所見的資料分布。當輸入屬於 OOD 樣本時，模型的預測往往不可信賴，偵測機制可發出警示或拒絕預測，防止錯誤信心造成高風險決策。

## 常見問題

### 為什麼神經網路對 OOD 樣本也會輸出高信心度？

這是神經網路（尤其是 Softmax 分類器）的一個已知問題，稱為「過度自信」（Overconfidence）。Softmax 函數的數學性質決定了它的輸出是相對機率：只要某個類別的 logit 比其他類別稍高，Softmax 就會輸出接近 1 的機率，無論絕對數值大小。換句話說，Softmax 本質上在比較哪個類別「最像」，而不是在衡量輸入「有多像任何已知類別」。當輸入是 OOD 樣本時，模型雖然「不認識」，但仍會強制把它分配給最接近的已知類別並輸出高機率。解決方案包括溫度縮放（降低 logits 的尖銳程度）、能量分數（不依賴 Softmax 歸一化）和貝葉斯不確定性估計。

### OOD 偵測在實際產品中如何部署？

在產品部署中，OOD 偵測通常作為模型推論流水線的一個額外層次加入。具體做法因場景而異：低風險應用（如推薦系統）可能只記錄 OOD 事件供後續分析；中風險應用（如智慧客服）可在偵測到 OOD 輸入時自動轉接人工；高風險應用（如醫療診斷輔助）則在 OOD 時直接拒絕輸出並要求醫師複核。技術實現上，最輕量的方式是在模型輸出後計算能量分數或最大 Softmax 機率，設定閾值進行判斷；更完善的方案是維護訓練集的特徵表示索引（如 FAISS 近鄰搜尋），對新輸入做特徵距離計算。部署後需持續監控 OOD 率，異常升高可能代表輸入資料分布發生了 Concept Drift。

### OOD Detection 和異常偵測（Anomaly Detection）有什麼不同？

兩者目標相似（找出「不正常」的樣本），但設定不同。異常偵測（Anomaly Detection）通常是無監督任務：訓練時只有正常樣本，沒有標注哪些是異常，模型學習正常資料的分布，把偏離分布的樣本標記為異常。典型應用是工業設備的異常感測器讀值、金融欺詐偵測。OOD Detection 則通常是在一個訓練好的監督分類模型之上加入不確定性偵測能力：模型知道 K 個類別是什麼，目標是識別「第 K+1 類（完全陌生）」或「輸入破損」的情況。在技術方法上有交集（如 Isolation Forest、Autoencoder 重建誤差既用於異常偵測也用於 OOD），但評估協定、應用場景和模型假設有所不同。

---

來源：https://aiterms.tw/terms/out-of-distribution-detection-ood
快查頁：https://aiterms.tw/terms/out-of-distribution-detection-ood
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-out-of-distribution-detection-ood