تُعاني النهج القائمة على إعادة البناء في كشف الشذوذ من ضعف الأداء عند تطبيقها على مجموعات بيانات معقدة التي تتميز بتنوع عالٍ بين الفئات المستهدفة. وبشكل مشابه لفكرة التعلم الذاتي المستخدمة في التعلم الناقل، تتوفر في العديد من المجالات مجموعات بيانات غير مُعلمة مشابهة غنية يمكن استغلالها كممثلة لعينات خارج التوزيع. في هذه الورقة، نُقدّم مُشفّرًا تلقائيًا حساسًا للغَيْرِ (LIS-AE)، حيث تُستخدم بيانات غير مُعلمة من مجال مشابه كأمثلة سلبية لتشكيل الطبقة المُخفية (العنق) لمُشفّر تلقائي عادي، بحيث تصبح قادرة فقط على إعادة بناء مهمة واحدة. نقدّم تبريرًا نظريًا لعملية التدريب والدوال المُستخدمة في الدفع، بالإضافة إلى دراسة تحليلية شاملة تُبرز الجوانب المهمة في نموذجنا. ونختبر نموذجنا في عدة بيئات للكشف عن الشذوذ، ونقدّم تحليلًا كميًا ونوعيًا يُظهر التحسين الكبير في الأداء الذي يحققه نموذجنا في مهام كشف الشذوذ.