近年の研究では、深層学習（DL）モデルの安全な導入において、分布外（OOD）サンプルの検出と拒否が主要な課題として取り上げられている。理想的には、DLモデルは分布内（ID）データに対してのみ高い信頼性を持つべきであり、これはOOD検出の基本的な原則を強化するものである。本稿では、分布外データセットに依存しない、シンプルかつ効果的な汎化型OOD検出手法を提案する。本手法は、訓練サンプルの自己教師付き特徴学習に依拠しており、その埋め込み（embedding）がコンパクトな低次元空間に分布するという特性を利用する。近年の研究では、自己教師付き adversarial contrastive learning がモデルのロバスト性を向上させることを示していることに着目し、実証的に自己教師付き対比学習により事前学習されたモデルが潜在空間における一変量特徴学習において優れた性能を発揮することを示した。本研究で提案する手法は「RODD（Robust OOD Detection）」と呼ばれ、OOD検出タスクにおける広範なベンチマークデータセット上で、最先端（SOTA）手法を上回る性能を達成した。特にCIFAR-100ベンチマークにおいて、RODDはSOTA手法と比較して、95％の真陽性率（FPR@95）における偽陽性率を26.97％低減した。