深度神经网络在面对未见过的类别样本时，往往仍会给出高置信度的预测结果，而这些样本本应被标记并交由专家进行评估。现有的新颖性检测（novelty detection）算法通常无法可靠地识别此类接近分布外（near OOD）的样本，除非能够获取与这些新型样本相似的带标签数据。本文提出了一种基于集成学习的半监督新颖性检测（Semi-Supervised Novelty Detection, SSND）新方法，该方法有效利用了未标记的已知类别（ID）样本与新型类别样本的混合数据，实现了优异的检测性能。特别地，我们展示了如何通过早停正则化（early stopping regularization）机制，仅在分布外（OOD）数据上诱导模型之间的分歧，从而提升检测能力。尽管该理论性质在一种简单数据分布下得到严格证明，但大量实验结果表明，该方法在更复杂的场景中同样有效：在标准图像数据集（SVHN/CIFAR-10/CIFAR-100）以及医学图像数据集上，我们的方法显著优于当前最先进的半监督新颖性检测技术，且计算开销仅略有增加。