CORE Yöntemi ile Out-of-Distribution Algılama (2026): Güven Skorları Yerine Ortogonal Kalıntılarla AI Hatalarını Önleyin

Yapay zeka modelleri, eğitim verisi dışında kalan girdileri bile güvenle sınıflandırarak ciddi hatalara yol açıyor. Otonom araçlar, tıbbi teşhis ve finansal karar sistemlerinde bu hatalar can kaybına neden olabilir. 2026 itibarıyla, Out-of-Distribution Algılama için en etkili yöntemlerden biri olan CORE (Confidence and Orthogonal Residual Scoring), bu sorunu kökten çözmeye çalışıyor. Güven skorları yerine, modelin öğrenmiş temsillerine dik kalan ortogonal kalıntılar kullanarak, AI sistemlerinin neyi bilmediğini anlamasını sağlıyor.

CORE Nasıl Çalışır? Güven Skoru vs Ortogonal Kalıntı

Geçmişte, modelin tahminine verdiği confidence score, OOD algılama için temel göstergeydi. Ancak yüksek kapasiteli derin öğrenme modelleri, tamamen anlamsız verileri bile %90+ güvenle doğru sınıflandırabiliyor. Örneğin, bir kedi tanıma modeli, bir bulut fotoğrafını %92 güvenle "kedi" olarak etiketleyebiliyor.

CORE, bu hatayı iki aşamada düzeltir:

• Adım 1: Modelin tahminine dayalı güven skorunu hesaplar.
• Adım 2: Girdinin, modelin son katman çıktısının temel bileşenlerine (eigen vectors) ne kadar dik (ortogonal) olduğunu ölçer.

Bu diklik, verinin eğitim dağılımının dışında olduğunu gösterir. Güven skoru "model ne kadar emin?" sorusuna cevap verirken, ortogonal kalıntı "veri modelin dünyasında yer alıyor mu?" sorusunu yanıtlar.

Güven Skoru Yetersiz: Neden Ortogonal Kalıntılar Daha Güçlü?

İnsanlar, tanımlayamadıkları bir şeyi "belirsiz" olarak işaretler. Ancak yapay zeka, bu belirsizliği algılayamaz. CORE, bu insani yeteneği yapay zekaya kazandırır.

Örnek: Bir model, kedi resimleriyle eğitildi. Bir gölge fotoğrafı, %88 güvenle "kedi" olarak sınıflandırılıyor. Geleneksel yöntem bu güveni kabul eder. CORE ise, gölgenin kedi temsilleriyle %93 oranında ortogonal olduğunu hesaplar — yani veri, modelin öğrendiği herhangi bir kalıpla ilişkisizdir. Sonuç: "Bu bir kedi değil, anlamsız bir girdi."

Testlerde, CORE yöntemi CIFAR-10 ve ImageNet üzerinde mevcut en iyi OOD algılama yöntemlerine kıyasla 12-41 puan daha yüksek AUC skoru elde etti. Tıbbi görüntülemede ise, normal görüntüleri hastalıklı olarak sınıflandıran hataları %37 azalttı.

Pratik Uygulamalar: CORE’u Nasıl Entegre Ederim?

CORE’ın büyük avantajı: hiçbir model değişikliği veya ek veri gerekmiyor. Mevcut derin öğrenme modellerine (CNN, Transformer vb.) sadece bir matematiksel katman ekleyerek entegre edilebilir.

• Tıbbi AI: Röntgen ve MRI görüntüleri için anormal lezyonları daha güvenilir tespit eder.
• Otonom araçlar: Görüntü sensörlerindeki hileli veya yabancı nesneleri reddeder.
• Chatbotlar: OpenAI gibi büyük dil modelleri, saçma veya hileli soruları daha doğru şekilde reddedebilir.
• Güvenlik sistemleri: Saldırı amaçlı girişleri (adversarial examples) algılar.

Çalışma, arXiv:2603.18290’da tam metin olarak yayınlandı. Derin öğrenme güvenilirliği ve AI hataları önleme konularında detaylı rehberlerimize göz atın.

Geleceğin AI’si: "Bilmeyen Bilen" Sistemler

CORE, yapay zekanın "kendine güvenme" yerine, "kendini tanımak" yeteneğini kazandırır. Bu, yalnızca bir teknik iyileştirme değil — güvenilir yapay zeka çağının başlangıcıdır.

2026’da, OOD algılama artık seçeneğin değil, standartların bir parçası olacak. Güven skorları yeterli değil. Modelin neyi bilmediğini bilebilmesi gerekir. CORE, bu dönüşümün matematiksel kalbidir.