رغم أن معظم الدراسات الحالية في كشف الشذوذ تفترض توفر عينات تدريب طبيعية فقط، فإن عينات شاذة مُعلَّمة نادرة تتوفر في العديد من التطبيقات الواقعية، مثل عينات العيوب التي تُحدَّد خلال عمليات فحص جودة عشوائية، أو صور الأنسجة الشاذة التي تؤكد وجودها أطباء الأشعة في الفحوصات الطبية اليومية. توفر هذه العينات المُعلَّمة معرفة قيمة حول الشذوذ المُحدَّد وفق التطبيق، مما يمكّن من تحسين كبير في كشف الشذوذ المماثلة في بعض النماذج الحديثة. ومع ذلك، فإن الشذوذ التي تُشاهد أثناء التدريب غالبًا لا تمثل كل الفئات الممكنة للشذوذ، مما يجعل هذه النماذج غير فعّالة في التعميم على فئات شاذة غير مرئية. تتناول هذه الورقة مشكلة كشف الشذوذ المُشرف المفتوح (open-set supervised anomaly detection)، حيث نتعلم نماذج كشف باستخدام عينات شاذة بهدف كشف كل من الشذوذ المرئية (النماذج "البَطَّة الرمادية") والشذوذ غير المرئية (النماذج "البَطَّة السوداء"). نقترح منهجية جديدة تتعلم تمثيلات منفصلة (disentangled representations) للشذوذ الموضّحة بالعينات الشاذة المرئية، والعينات الظاهرية (pseudo anomalies)، والشذوذ المُختبئة في البقايا (latent residual anomalies)، أي العينات التي تُظهر بقايا غير عادية مقارنة بالبيانات الطبيعية في الفضاء الخفي، حيث صُمّمت العينات الثانية والثالثة للكشف عن الشذوذ غير المرئية. أظهرت تجارب واسعة على تسع مجموعات بيانات واقعية للكشف عن الشذوذ أداءً متفوّقًا لنموذجنا في كشف الشذوذ المرئية وغير المرئية في ظل ظروف متنوعة. يمكن الوصول إلى الكود والبيانات عبر: https://github.com/choubo/DRA.