Cet article propose une nouvelle méthode de quantification de l'incertitude, basée sur un modèle déterministe unique, pour répondre aux coûts de calcul et aux besoins de stockage élevés des réseaux de neurones bayésiens et des méthodes d'ensembles profonds. Plus précisément, nous approximons la densité spatiale des caractéristiques d'un ensemble d'apprentissage à l'aide du champ de potentiel d'information dérivé de l'estimation de la densité du noyau. Nous comparons ensuite ce champ de potentiel d'information à la représentation spatiale des caractéristiques des échantillons de test afin de détecter efficacement les décalages distributionnels et de détecter les irrégularités hors distribution (OOD). Les résultats expérimentaux obtenus à l'aide d'ensembles de données synthétiques bidimensionnels (Deux Lunes, Trois Spirales) et de tâches de détection OOD (CIFAR-10 vs. SVHN) démontrent que la méthode proposée surpasse les méthodes existantes.
