Este artículo propone un novedoso método de cuantificación de la incertidumbre basado en un único modelo determinista para abordar el alto coste computacional y los requisitos de almacenamiento de las redes neuronales bayesianas y los métodos de conjuntos profundos. Específicamente, aproximamos la densidad del espacio de características de un conjunto de entrenamiento utilizando el campo de potencial de información derivado de la estimación de la densidad kernel. Posteriormente, comparamos este campo de potencial de información con la representación del espacio de características de las muestras de prueba para detectar eficazmente los cambios distribucionales y realizar la detección de fuera de distribución (OOD). Los resultados experimentales utilizando conjuntos de datos sintéticos bidimensionales (Dos Lunas, Tres Espirales) y tareas de detección OOD (CIFAR-10 vs. SVHN) demuestran que el método propuesto supera a los métodos existentes.
