تمت الإشارة مؤخرًا إلى كشف البيانات الخارجة عن التوزيع (OOD) بشكل واسع نظرًا لأهميتها العملية في تعزيز النشر الآمن للشبكات العصبية. أحد التحديات الرئيسية هو أن النماذج غالبًا ما تُنتج تنبؤات ذات ثقة عالية على البيانات الخارجة عن التوزيع، مما يُضعف المبدأ الأساسي للكشف عن OOD، الذي ينص على أن النموذج ينبغي أن يكون متأكدًا فقط من العينات المنتمية إلى التوزيع الداخلي. في هذا العمل، نقترح تقنية ReAct—أداة بسيطة وفعّالة لتقليل تأثير الإفراط في الثقة في النماذج عند التعامل مع البيانات الخارجة عن التوزيع. تُحفَّز هذه الطريقة على تحليل جديد للإشارات الداخلية في الشبكات العصبية، والتي تُظهر أنماطًا مميزة جدًا للبيانات الخارجة عن التوزيع. يمكن لطريقتنا التعميم بفعالية على مختلف هياكل الشبكات العصبية ومقاييس كشف OOD المختلفة. نُظهر تجريبيًا أن ReAct تحقق أداءً تنافسيًا في كشف OOD على مجموعة شاملة من مجموعات البيانات القياسية، ونقدم تفسيرًا نظريًا لفعالية هذه الطريقة. على معيار ImageNet، تمكنت ReAct من خفض معدل الأخطاء الإيجابية الكاذبة (FPR95) بنسبة 25.05% مقارنة بالطريقة السابقة الأفضل.