異常検出（Anomaly Detection, AD）は、安全性が求められる多くの応用分野において重要な役割を果たしている。特に、新たな「通常状態（new normal）」の訓練データが入手できない状況下で、通常データの分布の変化（ドリフト）に対応するという課題から、ゼロショットAD（zero-shot AD）技術の開発が進んできた。本論文では、ゼロショットバッチレベルADに向けたシンプルかつ効果的な手法である「適応的中心表現（Adaptive Centered Representations, ACR）」を提案する。本手法は、既存の深層異常検出器（例：Deep SVDD）を、バッチ正規化（batch normalization）と組み合わせて、相互に関連する複数の訓練データ分布に適応させるものである。これにより、未観測のADタスクに対しても自動的にゼロショット一般化が可能となる。この単純なアプローチ、すなわち「バッチ正規化＋メタ学習（meta-training）」は、非常に効果的かつ汎用性の高いツールである。理論的解析により、未観測のADタスクにおけるゼロショット一般化の保証が得られ、実験結果では、表形式データ（tabular data）に対する初めてのゼロショットADの成果が達成され、専門的領域の画像データにおける既存のゼロショット異常検出およびセグメンテーション手法を上回る性能を示した。コードは以下のURLにて公開されている：https://github.com/aodongli/zero-shot-ad-via-batch-norm