La détection des échantillons hors distribution (OOD) est cruciale pour les modèles d’apprentissage automatique déployés dans des environnements du monde ouvert. Les scores basés sur les classificateurs constituent une approche standard pour la détection OOD en raison de leur capacité à détecter finement les anomalies. Toutefois, ces scores souffrent souvent de problèmes d’overconfidence, conduisant à une mauvaise classification des échantillons OOD éloignés de la région de distribution in-distribution. Pour répondre à ce défi, nous proposons une méthode appelée Nearest Neighbor Guidance (NNGuide), qui guide le score basé sur le classificateur afin qu’il respecte la géométrie de la variété des données. NNGuide réduit l’overconfidence des échantillons OOD tout en préservant la capacité fine du score basé sur le classificateur. Nous menons des expériences étendues sur des benchmarks de détection OOD sur ImageNet dans diverses configurations, y compris un scénario où les données in-distribution subissent un décalage de distribution naturel. Nos résultats démontrent que NNGuide apporte une amélioration significative des performances par rapport aux scores de détection de base, atteignant des résultats état-de-l’art sur les métriques AUROC, FPR95 et AUPR. Le code est disponible à l’adresse \url{https://github.com/roomo7time/nnguide}.