تُعدّ التحولات العميقة من فئة واحدة للكشف عن الشذوذ تعلم خريطة تُركّز العينات العادية في الفضاء المميز، مما يؤدي إلى إبعاد العينات الشاذة. وبما أن هذه التحويلات غير خطية بشكل كبير، فإن إيجاد تفسيرات لها يُعدّ تحديًا كبيرًا. في هذا البحث، نقدّم طريقة مُفسّرة لتصنيف عميق من فئة واحدة، تُسمّى "الوصف البياناتي التكاملي الكامل" (FCDD)، حيث تُمثّل العينات المُحوّلة نفسها خريطة تفسيرية. تُظهر FCDD أداءً تنافسيًا في الكشف، وتوفر تفسيرات معقولة على معايير كشف الشذوذ الشائعة باستخدام CIFAR-10 وImageNet. وبالنسبة لمجموعة بيانات MVTec-AD، التي تقدّم خرائط شذوذ حقيقية (ground-truth)، تُحقّق FCDD أداءً جديدًا على مستوى الحالة الراهنة (state-of-the-art) في البيئة غير المُشرَّفة. يمكن لطريقتنا دمج خرائط الشذوذ الحقيقية أثناء التدريب، وحتى استخدام عدد قليل منها (~5) يُحسّن الأداء بشكل ملحوظ. وأخيرًا، باستخدام تفسيرات FCDD، نُظهر حساسية نماذج التصنيف العميق من فئة واحدة تجاه سمات صورية وهمية، مثل العلامات المائية في الصور.