التقريب المعرفي (Knowledge Distillation - KD) هو نهج واعد للكشف عن الأخطاء بدون إشراف (Unsupervised Anomaly Detection - AD). ومع ذلك، فإن التعميم الزائد للشبكة الطالبة غالبًا ما يقلل من الاختلافات التمثيلية الحاسمة بين الشبكة المعلمة والشبكة الطالبة في المناطق الشاذة، مما يؤدي إلى فشل في الكشف. لحل هذه المشكلة، تصمم النموذج المعكوس للتقريب المعرفي (Reverse Distillation - RD)، الذي يتم قبوله على نطاق واسع، الشبكة المعلمة والطالب بشكل غير متماثل، باستخدام مُرمِّز (encoder) كمعلمة ومُفكِّك (decoder) كطالب. ومع ذلك، لا يضمن تصميم RD أن يكون المرمز المعلم قادرًا على تمييز الخصائص الطبيعية عن الغير طبيعية بشكل فعال أو أن يكون المفكك الطالب قادرًا على إنتاج خصائص خالية من الأخطاء. بالإضافة إلى ذلك، غياب الاتصالات القفازية (skip connections) يؤدي إلى فقدان التفاصيل الدقيقة أثناء إعادة بناء الخصائص. لمعالجة هذه المشكلات، نقترح استخدام RD مع خبير (Expert)، والذي يُدخل شبكة جديدة تتألف من معلم وطالب وخبير لمُجرَى التقريب المعرفي المتزامن لكل من المرمز المعلم والمفكك الطالب. يعمل الشبكة الإضافية الخبيرة على تعزيز قدرة الطالب على إنتاج الخصائص الطبيعية وتحسين تمييز المعلم بين الخصائص الطبيعية والغير طبيعية، مما يقلل من حالات عدم اكتشاف الأخطاء. بالإضافة إلى ذلك، تم تصميم حقن المعلومات المنظوم (Guided Information Injection) لتصفية وإنتقال الخصائص من المعلم إلى الطالب، مما يحسن إعادة بناء التفاصيل ويقلل من الإشارات الكاذبة الإيجابية. أثبتت التجارب على عدة مقاييس مرجعية أن طريقتنا تتفوق على الطرق الحالية للكشف عن الأخطاء بدون إشراف ضمن نموذج RD، مستغلةً تمامًا إمكانات هذا النموذج.