كشف التحديد المدخلات غير الموزعة (OOD) يُعد تحديًا رئيسيًا في توظيف نماذج التعلم الآلي بشكل آمن في العالم الحقيقي. تعتمد الطرق السابقة غالبًا على درجة OOD مستمدة من فضاء الأوزان المفرط التخصيص، مع إهمال دور التخفيف (sparsification) إلى حد كبير. في هذه الورقة، نكشف رؤى مهمة تشير إلى أن الاعتماد على الأوزان والأجزاء غير الهامة يمكن أن يُسهم مباشرة في هشاشة كشف OOD. لمعالجة هذه المشكلة، نقترح إطارًا للكشف عن OOD يعتمد على التخفيف يُسمى DICE. تكمن الفكرة الأساسية لدينا في تصنيف الأوزان بناءً على مقياس مساهمتها، واستخدام الأوزان الأكثر بروزًا بشكل انتقائي لاستخلاص الناتج المُستخدم في كشف OOD. نقدم أدلة تجريبية ونظرية، تصف وتشرح آلية تحسين DICE لأداء كشف OOD. من خلال إزالة الإشارات الضوضائية، يقلل DICE بشكل مثبت من تباين الناتج بالنسبة للبيانات OOD، ما يؤدي إلى توزيع ناتج أكثر وضوحًا وتمايزًا أقوى عن البيانات الداخلية (ID). ونُظهر فعالية الكشف القائم على التخفيف على عدة معايير، ونُثبت أداءً تنافسيًا.