حققت الشبكات العصبية العميقة نجاحًا كبيرًا في مهام التصنيف خلال السنوات الأخيرة. ومع ذلك، فإن أحد أكبر المشكلات التي تواجه المسار نحو الذكاء الاصطناعي هو عدم قدرة هذه الشبكات على اكتشاف العينات بدقة من توزيعات فئات جديدة، ولذلك يفترض معظم خوارزميات التصنيف الموجودة أن جميع الفئات معروفة قبل مرحلة التدريب. في هذا العمل، نقترح منهجية لتدريب شبكة عصبية تسمح لها بكشف أمثل للعينات خارج التوزيع (OOD) دون المساس كثيرًا بدقتها في تصنيف الأمثلة الاختبارية من الفئات المعروفة. نقترح دالة خسارة جديدة تعطي مكانة لطريقة جديدة هي كشف الأطراف مع ضبط الثقة (OECC)، والتي تحقق نتائج متفوقة في كشف OOD باستخدام OE في مهام تصنيف الصور والنصوص دون الحاجة إلى الوصول إلى عينات OOD. بالإضافة إلى ذلك، أظهرنا تجريبيًا أن الجمع بين OECC وطرق كشف OOD بعد التدريب المتقدمة مثل كاشف ماهالانوبيس (MD) وطرق المصفوفات الجرامية (GM) يحسن أدائهم بشكل إضافي في مهمة كشف OOD، مما يدل على إمكانية الجمع بين طرق التدريب وما بعد التدريب لكشف OOD.