Anomalieerkennung (AD) spielt eine entscheidende Rolle in vielen sicherheitskritischen Anwendungsdomänen. Die Herausforderung, einen Anomalieerkenner an Veränderungen in der Verteilung der normalen Daten anzupassen – insbesondere dann, wenn keine Trainingsdaten für das „neue Normale“ zur Verfügung stehen – hat die Entwicklung von Zero-Shot-AD-Techniken befördert. In diesem Paper stellen wir eine einfache, aber wirksame Methode namens Adaptive Centered Representations (ACR) für die Zero-Shot-Batch-AD vor. Unser Ansatz trainiert kommerziell erhältliche tiefe Anomalieerkennungssysteme (z. B. Deep SVDD) so, dass sie sich an eine Reihe miteinander verbundener Trainingsdatenverteilungen anpassen, wobei Batch-Normalisierung eingesetzt wird. Dadurch wird eine automatische Zero-Shot-Verallgemeinerung für bisher unbekannte AD-Aufgaben ermöglicht. Dieser einfache Ansatz – Batch-Normalisierung kombiniert mit Meta-Training – erweist sich als äußerst wirksam und vielseitig einsetzbar. Theoretische Ergebnisse garantieren die Zero-Shot-Verallgemeinerung für unbekannte AD-Aufgaben; empirische Ergebnisse zeigen erstmals Zero-Shot-AD-Ergebnisse für tabellarische Daten und überlegen bestehende Methoden bei der Zero-Shot-Anomalieerkennung sowie -Segmentierung auf Bilddaten aus spezialisierten Domänen. Der Quellcode ist unter https://github.com/aodongli/zero-shot-ad-via-batch-norm verfügbar.