Los modelos de red neuronal profunda (DNN) suelen construirse basados en la suposición (independiente e idénticamente distribuida), también conocida como en-distribución (ID), sobre las muestras de entrenamiento y los datos de prueba. Sin embargo, cuando los modelos se implementan en un escenario del mundo real con algunos cambios de distribución, los datos de prueba pueden estar fuera de la distribución (OOD) y tanto la detección de OOD como la generalización de OOD deben abordarse simultáneamente para garantizar la fiabilidad y seguridad de los sistemas de IA aplicados.