Wir präsentieren ein neues Modell namens OCGAN für das klassische Problem der One-Class-Anomalieerkennung (One-Class Novelty Detection), bei dem es auf der Grundlage einer Menge von Beispielen aus einer bestimmten Klasse entschieden werden soll, ob ein Abfragebeispiel derselben Klasse angehört. Unser Ansatz basiert auf dem Lernen latenter Darstellungen von Klassenbeispielen mithilfe eines Denoising-Autoencoder-Netzwerks. Der wesentliche Beitrag unserer Arbeit besteht darin, den latenten Raum explizit so zu beschränken, dass er ausschließlich die gegebene Klasse repräsentiert.Um dieses Ziel zu erreichen, führen wir zunächst eine tanh-Aktivierungsfunktion in der Ausgabeschicht des Encoders ein, um sicherzustellen, dass der latente Raum eine begrenzte Trägermenge (bounded support) hat. Zweitens setzen wir einen Diskriminator im latenten Raum ein, der adversarisch trainiert wird, um sicherzustellen, dass die kodierten Darstellungen von Klassenbeispielen gleichförmigen Zufallsstichproben entsprechen, die aus demselben begrenzten Raum gezogen werden. Drittens verwenden wir einen zweiten adversarischen Diskriminator im Eingaberaum, um sicherzustellen, dass alle zufällig gezogenen latenten Stichproben Beispiele erzeugen, die realistisch erscheinen. Schließlich führen wir eine gradientenbasierte Abtasttechnik ein, die Punkte im latenten Raum untersucht, die potentielle Out-of-Class-Beispiele erzeugen. Diese Beispiele werden zurück ins Netzwerk eingespeist, um es weiter zu trainieren und sicherzustellen, dass es auch von diesen Punkten aus Klassenbeispiele generiert.Die Effektivität des vorgeschlagenen Verfahrens wurde anhand vier öffentlich zugänglicher Datensätze unter Verwendung von zwei One-Class-Anomalieerkennungsprotokollen evaluiert. Dabei konnten wir Stand-of-the-Art-Ergebnisse erzielen.