طريقة شائعة للكشف عن الشذوذ تتمثل في استخدام مُولِّد الشبكة التنافسية لصياغة نقاط الشذوذ بناءً على خسارة إعادة البناء للإدخال. نظرًا لقلة حدوث الشذوذ، فإن تحسين مثل هذه الشبكات يُعد مهمة مُعقدة. توجد طريقة محتملة أخرى تستخدم كلًا من المُولِّد والمتناقض (ال discriminator) في الكشف عن الشذوذ. ومع ذلك، نظرًا لمشاركة التدريب التنافسي، فإن هذا النموذج غالبًا ما يكون غير مستقر، بحيث تتغير الأداء بشكل كبير من خطوة تدريب إلى أخرى. في هذه الدراسة، نقترح إطارًا يُنتج نتائج مستقرة بفعالية عبر طيف واسع من خطوات التدريب، ويتيح لنا استخدام كل من المُولِّد والمتناقض في الشبكة التنافسية للكشف عن الشذوذ بكفاءة وموثوقية. يُحوّل نهجنا الدور الأساسي للمتناقض من التمييز بين البيانات الحقيقية والوهمية إلى التمييز بين إعادة بناء ذات جودة جيدة وذات جودة سيئة. ولتحقيق ذلك، نُعد أمثلة تدريب لإعادة البناء ذات جودة عالية باستخدام المُولِّد الحالي، بينما تُحصل على أمثلة ذات جودة منخفضة من خلال استخدام حالة قديمة من نفس المُولِّد. وبهذه الطريقة، يتعلم المتناقض كشف التشوهات الدقيقة التي تظهر غالبًا في إعادة بناء الإدخالات الشاذة. أظهرت تجارب واسعة على مجموعتي بيانات الصور Caltech-256 وMNIST للكشف عن الظواهر الجديدة نتائج متفوقة. علاوةً على ذلك، على مجموعة بيانات الفيديو UCSD Ped2 للكشف عن الشذوذ، حقق نموذجنا تقييمًا بنسبة AUC على مستوى الإطارات بلغ 98.1%، متفوقًا على أحدث الطرق المتطورة.