分布外（Out-of-Distribution, OOD）入力を検出することは、機械学習モデルを現実世界に安全に導入する上で中心的な課題である。従来の手法は、過パラメータ化された重み空間から導かれるOODスコアに依存する傾向にあり、スパース化（sparsification）の役割をほとんど無視してきた。本論文では、不必要な重みやニューロンに依存することで、OOD検出の脆弱性（brittleness）が直接生じることを明らかにする。この問題を緩和するため、本研究では「DICE」と名付けたスパース化に基づくOOD検出フレームワークを提案する。本研究の核心的なアイデアは、重みの寄与度を測定基準として評価し、最も顕著な重みのみを用いて出力を導出することである。我々は、DICEがOOD検出をどのように改善するかを、実証的および理論的両面から分析・解明する。ノイズの多い信号を除去することで、DICEはOODデータに対する出力分散を証明可能な形で低減し、結果としてより鋭い出力分布とIDデータとのより明確な分離性を実現する。複数のベンチマーク上でスパース化に基づくOOD検出の有効性を実証し、競争力のある性能を確立した。