كشف التوزيع الخارجي (OOD) يُعد مهمة بالغة الأهمية لضمان موثوقية وسلامة الشبكات العصبية العميقة في السياقات الواقعية. على عكس معظم الطرق السابقة للكشف عن OOD التي ركزت على تصميم مقاييس OOD أو إدخال أمثلة من الأنواع الشاذة المتنوعة لإعادة تدريب النموذج، نتعمق في فهم العوامل العائقية في كشف OOD من منظور "النوعية" (typicality)، ونعتبر المنطقة ذات الاحتمال العالي للسمات في النموذج العميق كمجموعة "نوعية" للسمات. ونقترح إجراء تصحيح للسمات بحيث تُعاد إلى مجموعتها النوعية، ثم حساب مقاييس OOD باستخدام السمات النوعية لتحقيق تقدير موثوق للمدى غير المؤكد. يمكن تنفيذ تصحيح السمات كوحدة قابلة للتركيب والتبديل (plug-and-play) مع مختلف مقاييس OOD. وقد قمنا بتقييم تفوق طريقتنا على معايير شائعة الاستخدام (مثل CIFAR) وعلى معيار أكثر تحديًا يتمثل في معايير عالية الدقة وبفضاء تسميات واسع (مثل ImageNet). ومن الملاحظ أن منهجنا يتفوق على أحدث الطرق في المجال بنسبة تصل إلى 5.11% في المتوسط بالنسبة لـ FPR95 على معيار ImageNet.