يتعلم الكشف عن الشذوذ غير المراقب (UAD) نماذج تصنيف من فئة واحدة باستخدام صور طبيعية (أي صحية) فقط للكشف عن أي عينات شاذة (أي غير صحية) التي لا تتماشى مع الأنماط الطبيعية المتوقعة. يتم يتمتع UAD بميزة رئيسية مقارنةً بطرق التدريب المراقبة الكاملة. أولاً، يمكنه الاستفادة مباشرة من مجموعات بيانات كبيرة متوفرة من برامج الفحص الصحي التي تحتوي في معظمها على عينات صور طبيعية، مما يجنب التكاليف المرتفعة لتصنيف العينات الشاذة يدويًا، ويقلل من المشكلات المرتبطة بتدريب النماذج على بيانات غير متوازنة من حيث الفئات. ثانياً، يمكن لطرق UAD الكشف عن أي نوع من الآفات التي تختلف عن الأنماط الطبيعية، وتحديد موقعها بدقة. يمثل أحد التحديات الرئيسية التي تواجهها طرق UAD كيفية تعلّم تمثيلات صورة منخفضة الأبعاد فعالة للكشف عن الشذوذ الدقيقة، والتي تتكون عادةً من آفات صغيرة. لحل هذا التحدي، نقترح طريقة جديدة لتعلم التمثيل الذاتي تُسمى "التعلم التبايني المقيد لتوزيع الشذوذ للكشف عن الشذوذ" (CCD)، والتي تتعلم تمثيلات مميزة للسمات من خلال التنبؤ في نفس الوقت بتوزيع البيانات المُعدّلة وسياق الصورة باستخدام التعلم التبايني مع قيود مسبقة (pretext constraints). يمكن استخدام التمثيلات المُكتسبة لتدريب نماذج كشف أكثر حساسية للشذوذ. أظهرت نتائج التجارب الواسعة أن طريقةنا تتفوّق على أحدث الطرق المتطورة في مجال UAD على ثلاث مجموعات بيانات مختلفة للفحص بالمنظار القولوني والفحص الشبكي (الفوندوس). يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/tianyu0207/CCD.