本文介绍了使用SupCon方法训练机器学习模型以识别外分布样本的重要性。作者提出了一种全面的方法来学习对OOD数据稳健的分类器，并通过增加对比项来扩展SupCon损失。实验结果表明，该方法在常见基准测试中取得了最先进的结果。

本文介绍了使用SupCon方法识别外分布样本的重要性。通过增加对比项扩展SupCon损失，将OOD特征与ID特征分开，并将OOD特征远离现有类原型。使用特征混合技术生成伪OOD特征。该方法在基准测试中展示了最先进的结果。

该文章介绍了使用SupCon方法训练机器学习模型以识别外分布样本的重要性。作者提出了一种全面的方法来学习对OOD数据稳健的分类器，并通过增加对比项来扩展SupCon损失。实验结果表明，该方法在常见基准测试中取得了最先进的结果。

本文介绍了使用SupCon方法识别外分布样本的重要性。作者提出了一种全面的方法来训练稳健的分类器，并通过增加对比项扩展SupCon损失。实验结果表明，该方法在OOD检测方面取得了最先进的结果。

本文介绍了使用SupCon方法训练机器学习模型以识别外分布样本的重要性。作者提出了一种全面的方法来学习对OOD数据稳健的分类器，并通过增加对比项扩展SupCon损失。实验结果表明，该方法在常见基准测试中取得了最先进的结果。

本文介绍了使用SupCon方法识别外分布样本的重要性。作者提出了一种全面的方法来训练稳健的分类器，并通过增加对比项扩展SupCon损失。实验结果表明，该方法在OOD检测方面取得了最先进的结果。

本文介绍了使用SupCon训练模型来识别外分布样本的方法，通过增加对比项来扩展SupCon损失，将OOD特征与ID特征分开，并将OOD特征远离现有类原型。当无法使用辅助OOD数据时，提出了特征混合技术来生成伪OOD特征。在基准测试中与其他OOD检测方法进行了比较，展示了最先进的结果。