La détection d’anomalies, qui consiste à identifier des motifs s’écartant considérablement de ceux observés précédemment, constitue l’un des problèmes fondamentaux de l’intelligence artificielle. Récemment, des méthodes basées sur la classification ont démontré des résultats supérieurs sur cette tâche. Dans ce travail, nous proposons une vision unifiée et introduisons une méthode ouverte, appelée GOAD, afin de relâcher les hypothèses actuelles de généralisation. Par ailleurs, nous étendons la faisabilité des méthodes fondées sur les transformations aux données non-images en utilisant des transformations affines aléatoires. Notre approche atteint une précision de pointe et s’applique à une large variété de types de données. Les performances remarquables de notre méthode ont été rigoureusement validées sur plusieurs jeux de données provenant de domaines divers.