إن مهمة الكشف عن التوزيعات غير المُتوقعة (OOD) تُعدّ حاسمة لتطبيق نماذج التعلم الآلي في البيئات الواقعية. في هذه الورقة، نلاحظ أن توزيع القيم الفردية (Singular Value Distribution) للسمات المُتعلقة بالتوزيع الداخلي (ID) والسمات غير المُتوقعة (OOD) يختلف بشكل كبير: فمصفوفة السمات غير المُتوقعة تميل إلى امتلاك قيمة فردية رئيسية أكبر من تلك الخاصة بالسمات الداخلية، كما أن التنبؤات بالفئات بالنسبة للعينات غير المُتوقعة تُحدد إلى حد كبير بواسطة هذه القيمة الفردية. وقد دفعنا هذا الملاحظة إلى اقتراح طريقة بسيطة وفعّالة تُسمى \texttt{RankFeat}، وهي طريقة \texttt{post hoc} تُطبّق بعد التدريب، تُستند إلى إزالة المصفوفة ذات الرتبة 1 المكوّنة من القيمة الفردية الأكبر والمركّبة مع المتجهات الفردية المرتبطة بها من السمات عالية المستوى (أي: $\mathbf{X}{-} \mathbf{s}{1}\mathbf{u}{1}\mathbf{v}_{1}^{T}$X−s1u1v1T​). تُظهر \texttt{RankFeat} أداءً يُعدّ من أفضل الأداءات الحالية، وتقلّل من معدل الكشف الخاطئ الإيجابي المتوسط (FPR95) بنسبة 17.90% مقارنة بالطريقة السابقة الأفضل. وتم تقديم دراسات تحليلية واسعة (أبلاسيون) وتحليلات نظرية شاملة لدعم النتائج التجريبية.