نقدم إطارًا ثنائي المرحلة للتصنيف العميق من الفئة الواحدة. نبدأ أولاً بتعلم تمثيلات ذاتية التدريب من بيانات الفئة الواحدة، ثم نبني تصنيفات من الفئة الواحدة على التمثيلات المُكتسبة. يتيح هذا الإطار ليس فقط تعلم تمثيلات أفضل، بل يسمح أيضًا ببناء تصنيفات من الفئة الواحدة تكون مطابقة بدقة للمهمة المستهدفة. ونُجادل بأن التصنيفات المستوحاة من المنظور الإحصائي في النماذج التوليدية أو التمييزية تكون أكثر فعالية من الأساليب الحالية، مثل استخدام درجة "الطبيعية" من تصنيفية بديلة. ونقوم بتقييم شامل لخوارزميات تعلم التمثيلات ذاتية التدريب المختلفة ضمن الإطار المقترح للتصنيف من الفئة الواحدة. علاوةً على ذلك، نقدّم تعلمًا تباينيًا مُعززًا بالتوزيع، وهو أسلوب جديد يوسع توزيعات التدريب عبر تحسين البيانات لمنع انتظام التمثيلات التباينية. وفي التجارب، نُظهر أداءً متميزًا على مستوى الحد الأقصى في معايير التصنيف من الفئة الواحدة في المجال البصري، بما في ذلك كشف الجديد والتشوهات. وأخيرًا، نقدّم شروحات بصرية تؤكد أن عملية اتخاذ القرار في التصنيفات العميقة من الفئة الواحدة تكون واضحة وسهلة الفهم للبشر. يتوفر الكود على الرابط: https://github.com/google-research/deep_representation_one_class.