分布外（Out-of-Distribution, OOD）検出は、十分に訓練された深層モデルから抽出された表現に基づいて、OODデータを識別することを目的としている。しかし、従来の手法は深層モデルが持つ再プログラミング（reprogramming）特性をほとんど無視しており、その内在的な性能を十分に引き出せていない。具体的には、十分に訓練された深層モデルのパラメータを変更せずに、データレベルの操作（例えば、特定の特徴ノイズをデータに追加するなど）によって、モデルを新たな目的に再プログラミングすることが可能である。この特性に着目し、本論文では、分類モデルをOOD検出（新たなタスク）に特化させるための一般的な手法として「ウォーターマーキング（watermarking）」を提案する。具体的には、元のデータの特徴に重畳される統一されたパターンを学習し、ウォーターマーキングを施した後、モデルの検出能力が著しく向上することが確認された。広範な実験により、ウォーターマーキングの有効性が検証され、深層モデルの再プログラミング特性がOOD検出において重要な役割を果たすことが示された。