تعرض هذه الدراسة طريقة معادية لاكتشاف الشذوذ في التطبيقات الحقيقية، مستفيدة من قوة شبكات العصب المعادية المولدة (GANs) من خلال التوافق الدوري في خطأ إعادة الإنشاء. تعاني الطرق السابقة من التباين العالي بين دقة الفئات، مما يؤدي إلى عدم قابليتها للتطبيق على جميع أنواع الشذوذ. تحاول الطريقة المقترحة والمسمّاة RCALAD حل هذه المشكلة بإدخال مميّز جديد إلى الهيكل، مما ينتج عنه عملية تدريب أكثر كفاءة. بالإضافة إلى ذلك، تستعمل RCALAD توزيعًا إضافيًا في فضاء المدخلات لدفع عمليات إعادة الإنشاء نحو توزيع البيانات الطبيعية، مما يفصل بفعالية العينات الشاذة عن إعادة إنشائها ويسهل اكتشاف الشذوذ بدقة أكبر. لتعزيز أداء النموذج بشكل أكبر، تم تقديم نقطتين جديدتين للشذوذ. تم تقييم النموذج المقترح بشكل شامل من خلال التجارب الواسعة التي أجريت على ستة مجموعات بيانات مختلفة، مما أدى إلى نتائج تظهر تفوقه على النماذج الرائدة الحالية. يمكن الحصول على الكود بسهولة للمجتمع البحثي من خلال الرابط: https://github.com/zahraDehghanian97/RCALAD.