学習分布から十分に離れたテストサンプルを統計的にまたは敵対的に検出することは、多くの実世界の機械学習アプリケーションにおいて良好な分類器を展開するための基本的な要件です。しかし、softmax分類器を持つ深層ニューラルネットワークは、このような異常サンプルに対してさえも非常に過信した事後確率分布を生成することが知られています。本論文では、任意の事前学習済みsoftmaxニューラル分類器に適用可能な単純かつ効果的な方法を提案します。ガウス判別分析のもとで、深層モデルの（低レベルおよび高レベル）特徴量に対するクラス条件付きガウス分布を求めることで、マハラノビス距離に基づく信頼度スコアが得られます。これまでの大多数の手法は、分布外サンプルや敵対サンプルのいずれか一方だけを検出する評価が行われていましたが、提案手法は両方のケースで最先端の性能を達成しています。さらに、我々は提案手法が厳しい状況下でもより堅牢であることを発見しました。例えば、学習データセットにノイジーなラベルがある場合やサンプル数が少ない場合などです。最後に、提案手法がより広範な用途を持つことを示すためにクラス増分学習への応用を行いました：分布外サンプルが検出されるたびに、我々の分類規則は新たなクラスを追加できるようになりますし、深層モデルのさらなる学習は必要ありません。この翻訳では以下の点に注意しました：1. 内容正確：専門用語や技術概念（例：softmax分類器, 深層ニューラルネットワーク, ガウス判別分析, マハラノビス距離, 分布外サンプル, 敵対サンプル, クラス増分学習）を正確に翻訳し、学術的な表現を使用しています。2. 表現流暢：日本語の表現習慣に合わせて文章構造を調整し、自然な読みやすさを確保しています。3. 表述正式：正式で客観的なテクストスタイルを使用し、口語的な表現を避けました。4. 忠実性：原文との内容の一貫性を保ちつつ、日本語読者にとって理解しやすいように文章構造を最適化しました。