Ein-Klassen-Klassifikation (OCC) zielt darauf ab, eine effektive Datenbeschreibung zu lernen, die alle normalen Trainingsbeispiele umschließt, und Anomalien auf Basis der Abweichung von dieser Datenbeschreibung zu detektieren. Aktuelle State-of-the-Art-OCC-Modelle erlernen eine kompakte Normalitätsbeschreibung durch Hyperkugelminimierung, leiden jedoch häufig unter Überanpassung an die Trainingsdaten, insbesondere wenn der Trainingsdatensatz klein ist oder durch anomale Beispiele kontaminiert ist. Um dieses Problem anzugehen, stellen wir die interpolierte Gaußsche Beschreiber-Methode (IGD) vor, ein neuartiges OCC-Modell, das einen ein-Klassen-Gaußschen Anomalie-Klassifikator mit adversarisch interpolierten Trainingsbeispielen trainiert. Der Gaußsche Anomalie-Klassifikator unterscheidet die Trainingsbeispiele basierend auf deren Abstand zum Gauß-Zentrum sowie auf der Standardabweichung dieser Abstände und bietet dem Modell während des Trainings eine Diskriminierbarkeit bezüglich der gegebenen Beispiele. Die adversarische Interpolation sorgt dafür, dass auch bei kleinen oder durch Anomalien kontaminierten Trainingsdaten stets eine glatte Gaußsche Beschreibung gelernt wird. Dadurch kann unser Modell die Datenbeschreibung auf Basis repräsentativer normaler Beispiele lernen, anstatt auf Rand- oder anomale Beispiele zu reagieren, was zu einer signifikant verbesserten Normalitätsbeschreibung führt. In umfangreichen Experimenten auf diversen etablierten Benchmarks – einschließlich MNIST, Fashion MNIST, CIFAR10, MVTec AD sowie zwei medizinischen Datensätzen – erreicht IGD eine höhere Detektionsgenauigkeit als aktuelle State-of-the-Art-Modelle. Zudem zeigt IGD eine bessere Robustheit bei Problemen mit kleinen oder kontaminierten Trainingsmengen. Der Quellcode ist unter https://github.com/tianyu0207/IGD verfügbar.