Die Erkennung von außerhalb der Verteilung liegenden (out-of-distribution, OOD) Beispielen ist entscheidend für maschinelle Lernmodelle, die in offenen Weltumgebungen eingesetzt werden. Klassifikatorbasierte Scores stellen einen etablierten Ansatz für die OOD-Erkennung dar, da sie eine fein granulierte Detektionsfähigkeit bieten. Allerdings leiden diese Scores häufig unter Überzeugtheitsproblemen und klassifizieren OOD-Beispiele, die weit von der In-Distribution-Region entfernt sind, fälschlicherweise als sicher. Um dieser Herausforderung zu begegnen, schlagen wir eine Methode namens Nearest Neighbor Guidance (NNGuide) vor, die die klassifikatorbasierten Scores an die geometrische Struktur der Datenschnittmenge anpasst. NNGuide reduziert die Überzeugtheit bei OOD-Beispielen, während die fein granulierte Detektionsfähigkeit der klassifikatorbasierten Scores erhalten bleibt. Wir führen umfangreiche Experimente auf den ImageNet-OOD-Erkennungsbenchmarks unter verschiedenen Szenarien durch, einschließlich eines Falls, in dem die In-Distribution-Daten einer natürlichen Verteilungsverschiebung unterliegen. Unsere Ergebnisse zeigen, dass NNGuide eine signifikante Leistungssteigerung gegenüber den Basisdetektionsscores erzielt und sowohl in Bezug auf die AUROC-, FPR95- als auch AUPR-Metriken state-of-the-art-Ergebnisse erreicht. Der Quellcode ist unter \url{https://github.com/roomo7time/nnguide} verfügbar.