نقدم نموذجًا جديدًا يُسمى OCGAN لمشكلة التقليدية في اكتشاف الغرابة من فئة واحدة (one-class novelty detection)، حيث الهدف هو تحديد ما إذا كان مثال استفساري ينتمي إلى نفس الفئة المعطاة، بناءً على مجموعة من الأمثلة من تلك الفئة. حلنا يستند إلى تعلم التمثيلات الكامنة للأمثلة داخل الفئة باستخدام شبكة ترميز ذاتية تنقية الضوضاء (denoising auto-encoder). المساهمة الرئيسية في عملنا هي اقتراحنا لفرض قيود صريحة على المساحة الكامنة لتكون تمثل الفئة المعطاة فقط.لتحقيق هذا الهدف، أولاً، نقوم بفرض دعم محدود للمساحة الكامنة من خلال إدخال دالة تنشيط tanh في طبقة الإخراج للمرمِّز (encoder). ثانيًا، باستخدام مميز في المساحة الكامنة يتم تدريبه بطريقة معادية (adversarially)، نضمن أن التمثيلات المشفرة للأمثلة داخل الفئة تشبه العينات العشوائية المنتظمة المستخرجة من نفس المساحة المحددة. ثالثًا، باستخدام مميز معادي ثاني في المساحة الإدخالية، نضمن أن جميع العينات العشوائية المستخرجة من المساحة الكامنة تولد أمثلة تبدو حقيقية. أخيرًا، نقدم تقنية عينة تعتمد على الانحدار التدرجي (gradient-descent) تستكشف النقاط في المساحة الكامنة التي تولد أمثلة محتملة خارج الفئة، والتي يتم إرجاعها إلى الشبكة لتدريبها بشكل أكبر على توليد أمثلة داخل الفئة من تلك النقاط.تُقاس فعالية الطريقة المقترحة عبر أربعة مجموعات بيانات متاحة للجمهور باستخدام بروتوكولي اكتشاف الغرابة من فئة واحدة، حيث حققنا نتائج رائدة في المجال (state-of-the-art results).