Klassische Ansätze für One-Class-Probleme wie One-Class SVM oder Isolation Forest erfordern bei der Anwendung auf strukturierte Domänen wie Bilder eine sorgfältige Merkmalsingenieurarbeit. Zustandsbestimmende Methoden zielen darauf ab, tiefes Lernen zu nutzen, um geeignete Merkmale über zwei Hauptansätze zu lernen. Der erste Ansatz basiert auf der Vorhersage von Transformationen (Golan & El-Yaniv, 2018; Hendrycks et al., 2019a), der zwar in bestimmten Domänen erfolgreich ist, jedoch entscheidend von einer geeigneten, domänenspezifischen Menge an Transformationen abhängt, die im Allgemeinen schwer zu erlangen sind. Der zweite Ansatz, der ein klassisches One-Class-Verlustfunktional auf den gelernten Darstellungen der letzten Schicht minimiert, beispielsweise DeepSVDD (Ruff et al., 2018), leidet unter dem grundlegenden Nachteil der Darstellungskollaps (representation collapse). In dieser Arbeit präsentieren wir Deep Robust One-Class Classification (DROCC), das sowohl auf den meisten Standarddomänen anwendbar ist, ohne jegliche Zusatzinformationen zu erfordern, und zudem robust gegenüber Darstellungskollaps ist. DROCC basiert auf der Annahme, dass die Punkte der Klasse von Interesse auf einer gut abgetasteten, lokal linearen, niedrigdimensionalen Mannigfaltigkeit liegen. Empirische Evaluation zeigt, dass DROCC in zwei unterschiedlichen One-Class-Problemstellungen sowie auf einer Vielzahl realer Datensätze aus verschiedenen Domänen – tabellarische Daten, Bilder (CIFAR und ImageNet), Audio und Zeitreihen – äußerst effektiv ist und im Anomalieerkennungsbereich bis zu 20 % höhere Genauigkeit im Vergleich zum Stand der Technik erzielt. Der Quellcode ist unter https://github.com/microsoft/EdgeML verfügbar.