異常検出（Anomaly detection）とは、これまでに観測されたパターンから著しく逸脱したパターンを特定するという、人工知能分野における基本的な課題の一つである。近年、分類に基づく手法がこのタスクにおいて優れた成果を示すことが示された。本研究では、これらの手法を統合的に捉える視点を提示するとともに、現在の一般化仮定を緩和するオープンセット（open-set）手法であるGOADを提案する。さらに、ランダムなアフィン変換を用いることで、変換に基づく手法の適用範囲を画像データ以外のデータタイプへ拡張した。本手法は、最先端の精度を達成し、広範なデータタイプに適用可能であることが示された。また、異なるドメインに属する複数のデータセットを用いた広範な実験により、本手法の優れた性能が十分に検証されている。