该文章介绍了一种基于非负核回归的软聚类方法，用于检测训练过程中没有见过的样本。该方法在计算和存储复杂性方面有显著降低，并在四个基准测试中相比现有方法提高了多达4个AUROC点。作者还推出了一种熵限制版本，进一步降低了存储需求。该软聚类方法在ODD检测中显示了在极端规模数据环境中检测尾部现象的潜力。

本文提出了一种基于 ImageNet 和 Places365 的全面评估标准，用于检测训练集中不同分布的样本。实验结果表明，不同的ODD检测技术在不同的评估标准下的有效性不同。基于置信度的技术可能优于基于分类器的技术。