عند عرض أمثلة خارج التوزيع (OOD)، تُقدّم الشبكات العصبية العميقة تنبؤات واثقة ولكن خاطئة. يُعدّ اكتشاف الأمثلة الخارجة عن التوزيع تحديًا كبيرًا، وتشكل المخاطر المحتملة خطورة كبيرة. في هذا البحث، نقترح اكتشاف الأمثلة الخارجة عن التوزيع من خلال تحديد التناقضات بين أنماط النشاط والتصنيف المُتنبأ به. ووجدنا أن تمثيل أنماط النشاط باستخدام مصفوفات جرام (Gram matrices) والكشف عن الانحرافات في قيم هذه المصفوفات يمكن أن يؤدي إلى معدلات عالية في اكتشاف OOD. وتم اكتشاف هذه الانحرافات من خلال مقارنة كل قيمة بحدودها الملاحظة في بيانات التدريب. على عكس العديد من الأساليب الأخرى، يمكن استخدام هذا الأسلوب مع أي تصنيفية مُدرّبة مسبقًا باستخدام softmax، دون الحاجة إلى الوصول إلى بيانات OOD لضبط المعاملات الدقيقة، كما لا يتطلب الوصول إلى بيانات OOD لاستنتاج المعاملات. ويُطبّق هذا الأسلوب على مجموعة متنوعة من المعمارية والملفات المرئية، ويعمل بشكل عام أفضل من أو يعادل أفضل الطرق الحالية في اكتشاف OOD، خاصةً في المهمة المهمة والصعبة بشكل مفاجئ المتمثلة في اكتشاف الأمثلة الخارجة عن التوزيع بشكل بعيد (far-from-distribution)، حتى في الحالات التي تتطلب فيها الطرق الأخرى الوصول إلى بيانات OOD.