Deteksi di luar distribusi (OOD) adalah bentuk pengujian yang digunakan dalam sistem komputer untuk mendeteksi atau mengidentifikasi data di luar distribusi yang disajikan ke sistem. Data di luar distribusi adalah data yang tidak berada pada kisaran data normal atau yang diharapkan. Jenis pengujian ini membantu melindungi sistem dari pelaku yang berpotensi jahat.
Deteksi di luar distribusi biasanya digunakan dalam algoritme pembelajaran mesin dan sistem pembelajaran mendalam, serta di bidang ilmu komputer lainnya, seperti deteksi intrusi dan deteksi malware. Ketika suatu algoritma dilatih menggunakan data pelatihan, algoritma tersebut akan mengharapkan data dalam distribusinya sendiri. Aktor jahat dapat mencoba memberikan data di luar distribusi yang diharapkan, sehingga menyebabkan algoritme tidak berfungsi atau mengungkap informasi yang berpotensi sensitif. OOD dapat mendeteksi dan mencegah hal ini terjadi.
OOD umumnya dapat mendeteksi data di luar distribusi dengan dua cara: dengan mendeteksi perbedaan antara data masukan dan data masukan yang diharapkan, atau dengan mendeteksi perubahan dalam struktur keluaran algoritma. Umumnya, algoritme pembelajaran terawasi akan menggunakan teknik sebelumnya, di mana masukan dapat dibandingkan dengan titik data yang diharapkan dari data pelatihan. Algoritme pembelajaran tanpa pengawasan biasanya akan menggunakan teknik terakhir untuk mendeteksi perubahan dalam struktur keluaran algoritme, karena umumnya tidak menggunakan data pelatihan apa pun.
Deteksi di luar distribusi adalah bagian penting untuk menjaga keamanan sistem komputer, karena dapat membantu mencegah pelaku jahat mengeksploitasi kerentanan dalam sistem. Hal ini juga dapat membantu melindungi model pembelajaran mesin agar tidak digunakan untuk tujuan jahat.
