Ansatzmethoden zur Anomalieerkennung auf der Basis der Rekonstruktion neigen dazu, bei der Anwendung auf komplexe Datensätze mit Zielklassen, die eine hohe innerhalb-klasse-Variabilität aufweisen, zu versagen. Ähnlich dem Konzept des selbstgestützten Lernens im Bereich des Transfer-Lernens sind viele Domänen reich an ähnlichen unbeschrifteten Datensätzen, die als Proxy für außerhalb-Verteilungs-Proben genutzt werden könnten. In diesem Artikel stellen wir den Latent-Insensitive-Autoencoder (LIS-AE) vor, bei dem unbeschriftete Daten aus einer ähnlichen Domäne als negative Beispiele genutzt werden, um die latente Schicht (Bottleneck) eines regulären Autoencoders so zu gestalten, dass diese ausschließlich die Rekonstruktion einer einzigen Aufgabe ermöglicht. Wir liefern eine theoretische Begründung für den vorgeschlagenen Trainingsprozess und die Loss-Funktionen sowie eine umfassende Ablationsstudie, die wesentliche Aspekte unseres Modells hervorhebt. Wir testen unser Modell in mehreren Anomalieerkennungsszenarien und präsentieren quantitative sowie qualitative Analysen, die die signifikante Leistungssteigerung unseres Modells für Aufgaben der Anomalieerkennung verdeutlichen.