умеем валидировать Data Drift, но как повышать устойчивость модели к нему?
У меня в задачах обработки изображений лучше всего работало добавление новых источников данных, нормализация, а также повышение разнообразия аугментаций, даже если картинки становятся некорректными (методы типа MixUp)
в медецинской области каждый год на эту тему проходят соревнования методов (challange): Например: Medical Out-of-Distribution Analysis Challenge http://medicalood.dkfz.de/web/ и Cross-Modality Domain Adaptation for Medical Image Segmentation and Classification: https://crossmoda-challenge.ml/challenge2022/
Отлично, а какие методы побеждают?
Обсуждают сегодня