تنجح نماذج الكشف عن الشذوذ القائمة على إعادة البناء في تحقيق هدفها من خلال تقليل قدرة التعميم تجاه الشذوذ. ومع ذلك، فإن الأنماط الطبيعية المتنوعة لا يتم إعادة بناؤها بشكل جيد أيضًا. وعلى الرغم من الجهود المبذولة لتخفيف هذه المشكلة من خلال نمذجة تنوع العينات، إلا أنها تعاني من تعلم مُختصر (shortcut learning) ناتج عن انتقال معلومات شاذة غير مرغوب فيها. في هذه الورقة، لمعالجة هذه المشكلة بشكل أفضل، نقترح إطار عمل يُسمى الكشف عن الشذوذ قابلاً للقياس من حيث التنوّع (DMAD)، والذي يعزز تنوع إعادة البناء مع تجنّب التعميم غير المرغوب فيه على العينات الشاذة. لتحقيق ذلك، نصمم وحدة التبديل الهرمية (PDM)، التي تُنمذج الأنماط الطبيعية المتنوعة وتقاس شدة الشذوذ من خلال تقدير مجالات التشوه متعددة المقاييس من إعادة البناء المرجعي إلى المدخل الأصلي. وبدمجها مع وحدة ضغط المعلومات، تُفكّك PDM بشكل جوهري التشوه عن التضمين النموذجي (prototypical embedding)، مما يجعل الدرجة النهائية للشذوذ أكثر موثوقية. أظهرت النتائج التجريبية على مقاطع فيديو مراقبة وصور صناعية فعالية طريقة العمل لدينا. بالإضافة إلى ذلك، يعمل DMAD بكفاءة متساوية أمام البيانات الملوثة والعينات الطبيعية التي تشبه الشذوذ.