본 논문은 신뢰할 수 있는 머신 러닝 분야에서 널리 연구되는 사후 OOD(Out-of-Distribution) 감지 문제를 다룹니다. 기존의 로짓, 거리, 데이터 분포 가정에 기반한 스코어 함수의 한계를 지적하고, Bregman divergence에 기반한 새로운 이론적 프레임워크를 제안합니다. 이 프레임워크는 지수족 분포를 포괄하며, Conjugation constraint를 활용하여 최적의 노름 계수 $p$를 찾는 \textsc{ConjNorm} 방법을 제시합니다. 또한, 정규화의 계산 문제를 해결하기 위해 몬테카를로 기반 중요도 샘플링을 사용하여 분배 함수를 추정하는 방법을 개발했습니다. 다양한 OOD 감지 벤치마크에 대한 실험을 통해 제안된 \textsc{ConjNorm}이 최첨단 성능을 달성했음을 입증했으며, CIFAR-100 및 ImageNet-1K 데이터셋에서 기존 최고 방법보다 각각 최대 13.25% 및 28.19% (FPR95) 향상된 성능을 보였습니다.
