يُعدُّ التعرض للقيم الشاذة (Outlier Exposure - OE) أداة قوية في كشف البيانات الخارجة عن التوزيع (OOD)، حيث يُعزز قدرة الكشف من خلال ضبط نموذج مُسبق باستخدام بيانات OOD اصطناعية. ومع ذلك، فإن البيانات الاصطناعية غالبًا ما تختلف عن البيانات OOD المستخدمة في الاختبار. وبذلك، قد تتراجع أداء OE عند مواجهة بيانات OOD غير مرئية. ولحل هذه المشكلة، نقترح منهجية جديدة تعتمد على OE، تُمكّن النموذج من الأداء الجيد حتى في الحالات OOD غير المرئية. وتؤدي هذه المنهجية إلى نموذج تعليم Min-Max: حيث يتم البحث عن توليد بيانات OOD تؤدي إلى أسوأ التقديرات، ثم التعلُّم من هذه البيانات لضمان أداء موحد في كشف OOD. في تطبيقنا، يتم توليد هذه البيانات OOD الأسوأ من خلال تحويل البيانات الاصطناعية الأصلية. وبشكل خاص، يتم تعلُّم دوال التحويل المرتبطة بها ضمنيًا بناءً على رؤية جديدة نقدّمها، وهي أن التداخل في النموذج يؤدي إلى تحويل البيانات. تُوفّر هذه المنهجية وسيلة فعّالة لتوليد بيانات OOD، والتي تُعزّز نموذج الكشف بخلاف البيانات الاصطناعية OOD التقليدية. وقد أجرينا تجارب واسعة تحت مختلف بيئات كشف OOD، وأظهرت النتائج فعالية طريقة عملنا مقارنةً بالأساليب المتقدمة الأخرى.