分布外（Out-of-Distribution, OOD）検出は、ニューラルネットワークの安全な展開を促進する上で実用的に重要な課題として、近年注目を集めている。主な課題の一つは、モデルがOODデータに対して極めて高い信頼度の予測を出してしまう点であり、これはOOD検出の基本原理である「モデルは分布内サンプルに対してのみ信頼性を持つべき」という原則を損なう要因となる。本研究では、ニューラルネットワークの内部活性化に関する新たな分析に基づき、OOD分布に対して特徴的な活性パターンが顕在化することを明らかにした。これに基づき、OODデータにおけるモデルの過剰な自信を低減するシンプルかつ効果的な手法ReActを提案する。本手法は、異なるネットワークアーキテクチャや異なるOOD検出スコアに対して高い汎化性能を示す。広範なベンチマークデータセットを用いた実証実験により、ReActが競争力ある検出性能を達成することを示し、その有効性について理論的な説明も提供する。ImageNetベンチマークにおいて、従来の最良手法と比較して、ReActは偽陽性率（FPR95）を25.05%低減した。