يُنظر إلى كشف الشذوذ في الفيديو غالبًا كمشكلة تصنيف من فئة واحدة (OCC) بسبب ندرة أمثلة الشذوذ المتاحة. عادةً، لمعالجة هذه المشكلة، يتم تدريب مُشفّر ذاتي (AE) لإعادة بناء المدخلات باستخدام مجموعة تدريب تتكون فقط من بيانات طبيعية. وفي وقت الاختبار، يتوقع من المُشفّر أن يُعيد بناء البيانات الطبيعية بشكل جيد، بينما يُعيد بناء البيانات الشاذة بشكل ضعيف. ومع ذلك، أظهرت دراسات عديدة أن، حتى مع تدريب المُشفّر فقط على بيانات طبيعية، يمكنه غالبًا أن يبدأ في إعادة بناء البيانات الشاذة أيضًا، مما يؤدي إلى تدهور أداء كشف الشذوذ. وللتقليل من هذه المشكلة، نقترح منهجية جديدة لتدريب المُشفّرات الذاتية بحيث تهدف فقط إلى إعادة بناء البيانات الطبيعية، بغض النظر عن نوع المدخلات (أي طبيعية أو غير طبيعية). وبما أن الشذوذ الحقيقية غير متوفرة في الإعدادات الخاصة بتصنيف فئة واحدة، يُساعد التدريب على شذوذ اصطناعية (Pseudo Anomalies) تم إنشاؤها عن طريق تعديل البيانات الطبيعية لمحاكاة توزيع البيانات الخارجة عن النطاق الطبيعي. كما نقترح أيضًا طريقتين جديدتين لإنشاء الشذوذ الاصطناعية: الطريقة القائمة على القطع (Patch-based) والطريقة القائمة على تخطي الإطارات (Skip-frame-based). أظهرت تجارب واسعة على ثلاث مجموعات بيانات فيديو صعبة للكشف عن الشذوذ فعالية منهجيتنا في تحسين المُشفّرات الذاتية التقليدية، وتحقيق أداءً يُعد من الأفضل على مستوى الحالة الحالية (State-of-the-art).