تواجه الطرق السابقة للكشف عن الشذوذ الصناعي صعوبات متكررة في التعامل مع التنوع الكبير في مجموعات التدريب، خاصةً عندما تحتوي على عينات متنوعة من حيث الأسلوب والغنية بالميزات، والتي نصنفها على أنها مجموعات بيانات للكشف عن الشذوذ الغنية بالميزات (FRADs). وتجلى هذا التحدي بوضوح في التطبيقات مثل السيناريوهات متعددة المقاطع ومتعددة الفئات. ولحل هذه المشكلة، طوّرنا نموذج MiniMaxAD، وهو مُشفّر تلقائي فعّال تم تصميمه لضغط المعلومات الواسعة وحفظها بكفاءة من الصور الطبيعية. يستخدم نموذجنا تقنية تُعزز تنوع الميزات، مما يزيد من السعة الفعالة للشبكة. كما يعتمد على عمليات تقطيع ذات كيرنيل كبير لاستخراج أنماط عالية التعميم، ما يسهم في إنشاء تمثيلات ميزات فعالة ومدمجة. علاوةً على ذلك، قمنا بتعريف خسارة استخلاص مُعدّلة تلقائيًا (ADCLoss)، مصممة خصيصًا لتناسب مجموعات البيانات FRADs. في منهجيتنا، يمكن توحيد أي مجموعة بيانات ضمن إطار الكشف عن الشذوذ الغنية بالميزات، بحيث تفوق الفوائد المكتسبة أي عيوب محتملة. وقد حقق نهجنا أداءً متميزًا على مستوى الحد الأقصى في عدة معايير صعبة. يُمكن الاطلاع على الكود من خلال الرابط التالي: \href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}