Die feinkörnige Anomalieerkennung wird derzeit vor allem durch segmentationsbasierte Ansätze dominiert. Diese Ansätze klassifizieren zunächst jedes Element der Probe (z. B. Bildpatch) als normal oder anomalous und klassifizieren anschließend die gesamte Probe als anomalous, falls sie mindestens ein anomales Element enthält. Solche Ansätze lassen sich jedoch nicht auf Szenarien erweitern, in denen Anomalien durch eine ungewöhnliche Kombination normaler Elemente charakterisiert sind. In diesem Paper überwinden wir diese Einschränkung, indem wir sogenannte Set-Features einführen, die jede Probe durch die Verteilung ihrer Elemente modellieren. Wir berechnen die Anomalie-Score jeder Probe mittels einer einfachen Dichteschätzungsmethode. Unser einfach umzusetzender Ansatz erreicht eine bessere Leistung als der Stand der Technik bei der bildbasierten logischen Anomalieerkennung (+3,4 %) und der sequenzbasierten Zeitreihen-Anomalieerkennung (+2,4 %).