أظهرت دراسات حديثة أن الكشف عن العينات التي تقع خارج التوزيع (OOD) والرفض الفعّال لها يُعدّ تحديًا رئيسيًا في التوظيف الآمن للنماذج القائمة على التعلم العميق (DL). ويُرجى أن تكون النماذج القائمة على التعلم العميق مُطمئنة فقط تجاه البيانات التي تقع ضمن التوزيع (ID)، مما يعزز المبدأ الأساسي للكشف عن العينات الخارجة عن التوزيع. في هذا البحث، نقترح طريقة فعّالة ومبسطة للكشف العام عن العينات الخارجة عن التوزيع، وتستند إلى مبدأ استقلالها عن مجموعات بيانات خارجة عن التوزيع. تعتمد طريقة العمل على تعلم الميزات ذاتية التوجيه من العينات التدريبية، حيث تقع المُدمجات (embeddings) في فضاء منخفض الأبعاد مكثّف. مستوحاة من الدراسات الحديثة التي تُظهر أن التعلم التبايني المضاد ذاتي التوجيه يُسهم في تعزيز مرونة النموذج، نُظهر تجريبيًا أن النموذج المُدرّب مسبقًا باستخدام التعلم التبايني ذاتي التوجيه يُنتج نموذجًا أفضل لتعلم الميزات ذات البُعد الواحد في الفضاء الخفي. وتُعرف الطريقة المقترحة في هذا العمل باسم RODD، وقد أظهرت أداءً متفوّقًا على أفضل النماذج الحالية (SOTA) في مجموعة واسعة من مجموعات البيانات القياسية المُستخدمة في مهام الكشف عن العينات الخارجة عن التوزيع. وعلى معيار CIFAR-100، حقق RODD خفضًا بنسبة 26.97٪ في معدل الإيجابيات الكاذبة (FPR@95) مقارنةً بالأساليب المتميزة حاليًا.