面對未知類別你說random seed會造成巨大的差異，這個問題就是這筆資料"未曾/部分"出現在訓練資料內。

簡單說資料有100張吉娃娃資料和5張臘腸狗資料，然後訓練的時候下random，假設batch為20。

1. 結果每一次batch有臘腸的時候，都是19張吉娃娃一張臘腸，這樣的loss換偏向吉娃娃的錯誤。

2. 另一次random seed 的時候，都是15張吉娃娃5張臘腸，這時候就比較能學到臘腸的資料。

所以1再判斷臘腸出錯率高，但2判斷的時候準確度就比較高。

所以我們在評估資料的穩定性(不確定性)，除了OOD和你提到的reconstruct loss外，多個模型的一致性也很重要，例如上述的1和2訓練出來的模型，假設兩個模型判斷的結果都一樣，代表這張圖穩定性很高，在訓練集有出現過，但1和2結果不同，代表這張圖穩定性很差，不確定性高，這張圖需要拿來再訓練模型。

或是你在模型部分可以採用ensemble learning方式，讓多個模型的output做decision fusion做到避免你說random seed造成的差異。

上述做法都是解法之一，但最大的問題是「面對未知」，現今深度學習是有本事學出"外差"的結果，但畢竟"外差"依舊是預測的，所以不穩定性本來就高，這類的問題我建議不要用演算法解，演算法都是基於特定問題和類別來解，你今天解掉這個問題，不代表換個資料集後這問題還是能解，最簡單的方式去收資料吧。

這句話很重要「資料決定成效，演算法只是去逼近資料預測/分類結果的上限」。