该论文提出了一种通过单次前向传递来训练确定性深度模型的方法，该模型可以找到并拒绝分布外的数据点。通过引入梯度惩罚，可以可靠地检测分布外的数据，并在大型数据集上缩放不确定性量化。在一些难以检测的数据集上，该方法比Deep Ensembles得出了更好的结果。

本文提出了一种数据集蒸馏的方法，通过集成剪断损失和梯度惩罚来调整专家轨迹参数的变化速率，并提出增强策略，以解决现有方法在训练大型机器学习模型时存在的问题。实验结果表明，该方法在各种规模、大小和分辨率的数据集上明显优于之前的方法。