الهدف الرئيسي هو تقديم عدة حلول للمشاكل المذكورة، من خلال التركيز على تحليل الطرق الرائدة السابقة وتقديم نظرة شاملة لشرح المفاهيم المستخدمة في اكتشاف الأنماط الطبيعية والانحرافية. كما أن استكشاف استراتيجيات مختلفة سمح لنا بتطوير مناهج جديدة تُسهم باستمرار في تحسين الأداء على مستوى الحد الأدنى من الأداء الحالي. علاوةً على ذلك، نُعلن عن توفر مجموعة بيانات جديدة كبيرة النطاق، وهي الأولى من نوعها، ومُعلَّمة بالكامل على مستوى الإطارات، وتعني حدثًا معينًا للكشف عن الشذوذ، وتتميز بتنوع واسع في سيناريوهات الاشتباك، ويمكن للجماعة البحثية استخدامها مجانًا. وبالإضافة إلى هذا المستند، والذي يهدف إلى تقليل الحاجة إلى الإشراف، نُقدّم اقتراحين مختلفين: الأول يستخدم التقنية الحديثة للتعلم ذاتيًا (self-supervised learning) لتجنب المهمة الشاقة للتعليقات، حيث يتم تسمية مجموعة التدريب تلقائيًا باستخدام إطار تعلُّم تكراري يتكوّن من خبيرين مستقلين يتبادلان البيانات عبر إطار بايزي (Bayesian framework). أما الاقتراح الثاني، فيستكشف طريقة جديدة لتعلم نموذج تصنيف الشذوذ ضمن إطار التعلم متعدد الأمثلة (multiple instance learning)، من خلال الاستفادة من مقاطع فيديو مُعلَّمة بشكل ضعيف، حيث تتم عملية التسمية على مستوى الفيديو. أُجريت التجارب على عدة مجموعات بيانات معروفة، وأظهرت حلولنا تفوقًا ملموسًا على أفضل الأداء الحالي. بالإضافة إلى ذلك، كنظام تجريبي للإثبات، نُقدّم أيضًا نتائج محاكاة واقعية تم جمعها في بيئات مختلفة، بهدف إجراء اختبار ميداني لنموذجنا المُدرّب.