---
title: "分佈外資料（OOD）"
slug: ood
language: zh-TW
source: https://aiterms.tw/terms/ood
updated_at: 2026-06-27
tags: [模型評估, 異常偵測, AI應用, 機器學習, source:arxiv]
ipas_term: false
---

# 分佈外資料（OOD）

分佈外指測試資料的特徵分佈與訓練集不一致的現象，對 AI 模型的泛化能力構成重大挑戰。

## 完整說明

分佈外是一種機器學習部署階段面臨的關鍵資料偏移現象，能夠嚴格檢驗與挑戰人工智慧模型在未知環境下的強健性與泛化極限。常見應用包括金融詐欺的異常偵測系統、深度學習模型強健性評估，以及自動駕駛等高風險領域的安全性防護測試。

## 常見問題

### 如何評估機器學習模型偵測 OOD 資料的能力？

評估 OOD 偵測能力通常不依賴傳統的分類準確率，因為這本質上是一個判斷輸入是分佈內或分佈外的二元區分問題。標準的評估指標是接收者操作特徵曲線下面積(AUROC)，該數值越接近一代表偵測能力越好。另一個實務上極具價值的指標是 FPR95，它衡量了系統在確保不漏抓絕大多數正常資料的前提下，會誤報多少分佈外資料。FPR95 數值越低，代表模型運作時的煩人誤判越少。

### 溫度縮放(Temperature Scaling)技術如何改善 OOD 偵測？

深度神經網路通常會出現過度自信的問題，對即使是 OOD 的輸入也會給出極端接近滿分的機率。溫度縮放是一種簡單但有效的後處理技術，它在 Softmax 函數計算前，將模型輸出的數值統一除以一個大於一的溫度參數。這個操作不會改變各類別的相對預測排序，因此不影響原本的分類準確率，但能使機率分佈變得更為平滑合理。透過校準信心度分數，能顯著放大 ID 與 OOD 資料的差異來提升偵測效能。

### OOD 與資料偏移(Data Shift)有什麼關聯性？

資料偏移是導致 OOD 現象發生的最根本原因。當模型從封閉的訓練環境轉移到開放的部署環境時，資料生成過程的物理改變即產生了偏移。最常見的協變量偏移是指輸入特徵的分佈改變，例如自駕車模型在晴天訓練，卻在雨天進行測試。此時，雨天的影像相對於原本的訓練集就是 OOD 資料。深入理解這些偏移類型，是發展強健 OOD 防禦機制與領域泛化演算法的理論基礎，幫助工程師找出盲點。

---

來源：https://aiterms.tw/terms/ood
快查頁：https://aiterms.tw/terms/ood
最後更新：2026/06/27
深度解說：https://aiterms.tw/learning/what-is-ood