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。

本文介绍了一种使用SupCon学习表征的全面方法，用于训练机器学习模型以识别训练分布之外的样本。该方法通过增加对比项来扩展SupCon损失，以学习对OOD数据稳健的分类器。同时，提出了特征混合技术来高效生成伪OOD特征。在常见基准测试中与不同的OOD检测方法进行了比较，并展示了最先进的结果。