EXPLOR 是一个新颖的框架，它利用增强的估计虚拟标签来改进对分布外 (OOD) 数据的预测和基于不确定性的拒绝。它采用多个 MLP 头（每个基础模型一个），共享嵌入，并采用一种新颖的头特定匹配损失函数，以使用不同的基础模型作为虚拟标签器来提升增强数据上的 OOD 性能。与以往依赖于特定模态的增强或假设能够访问 OOD 数据的方法不同，EXPLOR 引入了估计虚拟标签来进行潜在空间增强，从而能够对任何实值向量数据进行鲁棒的 OOD 泛化。与以往使用神经网络主干的模态无关方法不同，EXPLOR 与模型无关，并且能够有效地应用于各种 OOD 泛化模型，从简单的基于树的模型到复杂的模型。我们证明，EXPLOR 在跨不同数据集的单源域泛化设置中优于最先进的方法。
