임무 핵심 영역인 자율주행 및 헬스케어와 같은 분야에서는 분포 외(out-of-distribution, OOD) 데이터에 대한 오류 예측이 심각한 문제를 초래할 수 있으므로, 입력 샘플의 불확실성을 정량화하는 것이 매우 중요하다. OOD 탐지 문제의 근본적인 원인은 모델이 자신이 인지하지 못하는 것을 표현할 수 없다는 점에 있다. 모델 성능 저하와 학습 비용 증가를 유발할 수 있는 추가적인 재학습 과정이 필요하지 않기 때문에, 후행적(post-hoc) OOD 탐지 접근법이 널리 연구되고 있다. 본 연구에서는 모델의 깊은 층에서 고수준 특징을 표현하는 뉴런의 관점에서, 분포 내(in-distribution) 데이터와 OOD 데이터 간 모델 출력의 차이를 분석하는 새로운 접근법을 제안한다. 이를 바탕으로, 후행적 분포 외 탐지에 적합한 새로운 방법인 중요한 뉴런 활용(Leveraging Important Neurons, LINe)을 제안한다.셰플리 값(Shapley value) 기반의 뉴런 절단은 특정 클래스의 입력 데이터를 예측하는 데 기여도가 높은 뉴런만을 선택하고 나머지 뉴런은 마스킹함으로써 노이즈가 있는 출력의 영향을 줄인다. 활성화 클리핑(activation clipping)은 특정 임계값을 초과하는 모든 값을 동일한 값으로 고정함으로써, LINe가 각 클래스별 특징을 동일하게 취급할 수 있도록 하며, 분포 내 데이터와 OOD 데이터 간 활성화된 특징 수의 차이만을 고려할 수 있게 한다. 종합적인 실험을 통해 CIFAR-10, CIFAR-100, ImageNet 데이터셋에서 최신 후행적 OOD 탐지 기법들을 초월하는 성능을 입증함으로써 제안된 방법의 효과성을 검증하였다.