機械学習におけるアウト・オブ・ディストリビューション（OOD）データの検出は、安全性やオープンエンドの学習のために重要である。しかし、単なる検出を超えて、適切な行動を選択するには、遭遇するOODデータのタイプに応じた対応が必要だが、現行の手法では分布の変動を単一のスカラー外れ値スコアに圧縮してしまい、適切な文脈化が行われていない。本研究では、DISC（拡散に基づく統計的特徴化）を導入し、拡散モデルの反復的デノイジングプロセスを利用して、複数のノイズレベルにおける統計的な不一致をキャプチャする多次元特徴ベクターを抽出する。広範な実験により、DISCは既存の最高水準のOOD検出器と同等かそれ以上の性能を示し、重要な点としてOODのタイプを分類する能力も持っている。本研究は、単純な二項のOOD検出から、より細分化された検出への移行を可能にする。