يهدف الكشف عن الشذوذ شبه المُراقب إلى اكتشاف الشذوذ من العينات الطبيعية باستخدام نموذج يتم تدريبه على البيانات الطبيعية. ومع التطورات الحديثة في التعلم العميق، قام الباحثون بتصميم طرق فعالة للكشف عن الشذوذ باستخدام الشبكات العصبية العميقة. تُستخدم الطرق الحالية بشكل شائع الشبكات العصبية لتحويل البيانات إلى تمثيل أكثر إفادة، ثم تطبيق خوارزمية كشف الشذوذ. في هذه الورقة، نقترح طريقة تُسمى DASVDD، التي تتعلم معًا معاملات المُشفِّر العكسي (autoencoder) مع تقليل حجم الكرة الفائق المحيطة (enclosing hyper-sphere) في التمثيل الخفي (latent representation). ونُقدّم مؤشر شذوذ يُشكّل مزيجًا من خطأ إعادة البناء الخاص بالمُشفِّر العكسي والمسافة من مركز الكرة الفائقة في التمثيل الخفي. ويساعد تقليل هذا المؤشر في التعلم التوزيع الكامن للفئة الطبيعية أثناء التدريب. وضمان إدراج خطأ إعادة البناء في مؤشر الشذوذ يمنع DASVDD من مواجهة المشكلة الشائعة المعروفة بانهيار الكرة الفائقة (hypersphere collapse)، لأن نموذج DASVDD لا يتجه نحو الحل التافه المتمثل في تحويل جميع المدخلات إلى نقطة ثابتة في التمثيل الخفي. أظهرت التقييمات التجريبية على عدة مجموعات بيانات معيارية أن الطريقة المقترحة تتفوق على الخوارزميات الحالية المُعتمدة على أحدث التقنيات في الكشف عن الشذوذ، مع الحفاظ على أداء قوي عبر فئات الشذوذ المختلفة.