Badacze wykazali, że popularna technika CenterLoss, używana do optymalizacji reprezentacji cech w sieciach neuronowych, negatywnie wpływa na zdolność modelu do detektowania próbek spoza rozkładu danych treningowych (OOD detection). Zaproponowali alternatywę opartą na wieloskalowej odległości Mahalanobisa, która osiąga lepsze wyniki. To ważne odkrycie dla bezpieczeństwa systemów AI, zwłaszcza w zastosowaniach wymagających niezawodnej identyfikacji anomalii i nowych klas.