تتطلب الطرق الكلاسيكية لمشاكل الفئة الواحدة، مثل دعم متجهات الفئة الواحدة (One-Class SVM) وغابة العزل (Isolation Forest)، هندسة مميزة دقيقة عند تطبيقها على المجالات المهيكلة مثل الصور. وتسعى الطرق المتطورة حاليًا إلى الاستفادة من التعلم العميق لاستخلاص ميزات مناسبة من خلال نهجين رئيسيين. الأول، القائم على توقع التحويلات (Golan & El-Yaniv, 2018; Hendrycks et al., 2019a)، رغم نجاحه في بعض المجالات، يعتمد بشكل جوهري على مجموعة مناسبة من التحويلات المحددة حسب المجال، والتي يصعب الحصول عليها بشكل عام. أما النهج الثاني، المتمثل في تقليل خسارة الفئة الواحدة الكلاسيكية على تمثيلات الطبقة النهائية المُتعلّمة، مثل DeepSVDD (Ruff et al., 2018)، فهو يعاني من عيب جوهري يتمثل في انهيار التمثيل (representation collapse). في هذا العمل، نقترح طريقة تصنيف الفئة الواحدة العميقة المقاومة (DROCC)، التي تُطبَّق على معظم المجالات القياسية دون الحاجة إلى أي معلومات جانبية، ومقاومة لانهيار التمثيل. تعتمد DROCC على افتراض أن النقاط من الفئة المُهتمة تقع على متعددة أبعاد منخفضة محلية خطية ومُعدّة عينة جيدة. وتبين التقييمات التجريبية أن DROCC فعّالة جدًا في نوعين مختلفين من مسائل الفئة الواحدة، وعلى مجموعة متنوعة من مجموعات البيانات الواقعية عبر مجالات متفاوتة: البيانات الجدولية، والصور (CIFAR وImageNet)، والصوت، والسلاسل الزمنية، حيث توفر زيادة تصل إلى 20% في الدقة مقارنة بأحدث الطرق في كشف الشذوذ. يُمكن الوصول إلى الكود من خلال الرابط: https://github.com/microsoft/EdgeML.