本研究では、実世界の応用における異常検出のための敵対的手法を提案し、生成敵対ネットワーク（Generative Adversarial Neural Networks: GANs）の再構築誤差におけるサイクル一貫性を活用しています。従来の手法はクラスごとの精度に大きなばらつきがあるため、すべての種類の異常に対して適用できないという問題がありました。提案された方法であるRCALADは、新しい識別子を導入することでこの問題を解決しようと試みています。これにより効率的な学習プロセスが実現します。さらに、RCALADは入力空間で補助分布を使用して再構築を正常データ分布に向かわせることで、異常サンプルとその再構築結果を効果的に分離し、より正確な異常検出を可能にしています。モデルの性能向上のために、2つの新しい異常スコアが導入されています。提案されたモデルは6つの異なるデータセットを用いた広範な実験を通じて徹底的に評価され、既存の最先端モデルよりも優れた結果を示しました。コードは研究コミュニティ向けにhttps://github.com/zahraDehghanian97/RCALAD で公開されています。