من المهم اكتشاف المدخلات الشاذة عند نشر أنظمة التعلم الآلي. استخدام مدخلات أكبر وأكثر تعقيدًا في التعلم العميق يزيد من صعوبة التمييز بين الأمثلة الشاذة والأمثلة ضمن التوزيع الطبيعي. وفي الوقت نفسه، هناك كميات هائلة من البيانات الصورية والنصية المتنوعة متاحة. نقترح الاستفادة من هذه البيانات لتحسين اكتشاف الشذوذ العميق من خلال تدريب أجهزة الكشف عن الشذوذ على مجموعة بيانات مساعدة تحتوي على القيم الشاذة، وهي الطريقة التي نطلق عليها "الكشف عن القيم الشاذة الخارجية" (Outlier Exposure - OE). هذا يمكّن أجهزة الكشف عن الشذوذ من التعميم واكتشاف الشواذ غير المنظورة سابقًا. في تجارب واسعة النطاق على معالجة اللغة الطبيعية ومهمات الرؤية بحجم صغير وكبير، نجد أن الكشف عن القيم الشاذة الخارجية يحسن بشكل كبير أداء الكشف. كما لاحظنا أن النماذج الجينيراتيفية المتقدمة التي تم تدريبها على CIFAR-10 قد تمنح صور SVHN احتمالات أعلى مما تمنحه لصور CIFAR-10؛ نستخدم OE للتخفيف من هذه المشكلة. كما نحلل مرونة ومتانة الكشف عن القيم الشاذة الخارجية، ونحدد خصائص مجموعة البيانات المساعدة التي تحسن الأداء.