머신러닝 분야에서, 일반적으로 표준 학습 과정을 거친 모델은 분포 내(In-distribution, ID) 데이터와 분포 외(Out-of-distribution, OOD) 데이터 모두에 대해 비정상적으로 높은 신뢰도(confidence)를 출력하는 경향이 있다. 따라서 OOD 샘플을 탐지할 수 있는 능력은 모델의 실용화에 있어 핵심적인 요소이다. OOD 탐지의 핵심 단계 중 하나는 후처리(post-hoc) 점수화이다. MaxLogit은 가장 단순한 점수화 함수 중 하나로, 출력 로짓(logit) 중 최댓값을 OOD 점수로 사용한다. 본 연구에서는 로짓 기반 점수화 함수를 새롭게 분석할 수 있는 시각을 제공하기 위해, 로짓을 코사인 유사도(cosine similarity)와 로짓 노름(logit norm)으로 재구성하고, MaxCosine과 MaxNorm을 제안한다. 실증적으로 우리는 MaxCosine이 MaxLogit의 효과성에서 핵심적인 요소임을 발견하였으며, 반면 MaxNorm은 MaxLogit의 성능을 저해하는 요인임을 확인하였다. 이를 해결하기 위해, MaxCosine과 MaxNorm 간의 균형을 유연하게 조절할 수 있도록 설계된 Decoupling MaxLogit(DML)을 제안한다. 또한 본 방법의 핵심을 더욱 명확히 하기 위해, 더 적은 어려운 샘플(hard samples)과 밀도 높은 특징 공간(feature space)이 로짓 기반 방법의 효과성을 결정짓는 핵심 요소라는 새로운 통찰을 바탕으로 DML을 확장한 DML+를 제안한다. 제안된 로짓 기반 OOD 탐지 방법은 CIFAR-10, CIFAR-100, ImageNet 등 다양한 데이터셋에서 효과성을 입증하였으며, 현재까지의 최고 성능(SOTA)을 달성하였다.