Diese Arbeit schlägt vor, Mengenmerkmale zur Erkennung von Anomalien in Proben einzusetzen, die ungewöhnliche Kombinationen normaler Elemente enthalten. Viele führende Methoden identifizieren Anomalien, indem sie einen ungewöhnlichen Teil einer Probe aufspüren. Beispielsweise klassifizieren state-of-the-art-ansätze basierend auf Segmentierung zunächst jedes Element der Probe (z. B. ein Bildpatch) als normal oder anomalous und klassifizieren dann die gesamte Probe als anomalous, wenn sie mindestens ein anomales Element enthält. Solche Ansätze lassen sich jedoch schlecht auf Szenarien übertragen, in denen Anomalien durch eine ungewöhnliche Kombination normaler Elemente ausgedrückt werden. In dieser Arbeit überwinden wir diese Einschränkung, indem wir Mengenmerkmale vorschlagen, die jede Probe durch die Verteilung ihrer Elemente modellieren. Wir berechnen die Anomalie-Score jeder Probe mittels einer einfachen Dichteschätzungsmethode unter Verwendung fester Merkmale. Unser Ansatz erreicht eine bessere Leistung als die bisher beste Methode bei der Bild- und Sequenz-Ebene bei der Erkennung logischer Anomalien in Bildern und Zeitreihen.