Anomalieerkennung, also die Identifizierung von Mustern, die sich erheblich von zuvor beobachteten unterscheiden, stellt eine der grundlegenden Herausforderungen im Bereich künstlicher Intelligenz dar. Kürzlich wurde gezeigt, dass klassifikationsbasierte Ansätze bei dieser Aufgabe hervorragende Ergebnisse erzielen können. In dieser Arbeit präsentieren wir einen einheitlichen Ansatz und stellen einen offensetzbasierten Algorithmus, GOAD, vor, der die derzeitigen Generalisierungsannahmen entschärfen soll. Darüber hinaus erweitern wir die Anwendbarkeit transformationsbasierter Methoden auf nicht-bildbasierte Daten durch den Einsatz zufälliger affiner Transformationen. Unser Ansatz zeigt sich als state-of-the-art in Bezug auf Genauigkeit und ist auf eine breite Vielfalt von Datentypen anwendbar. Die herausragende Leistung unseres Verfahrens wird umfassend an mehreren Datensätzen aus unterschiedlichen Domänen validiert.