기존의 이상 탐지 연구 대부분은 정상 샘플만 존재한다고 가정하지만, 실제 응용 분야에서는 종종 일부 레이블이 붙은 이상 샘플이 존재하는 경우가 많다. 예를 들어, 무작위 품질 검사 과정에서 발견된 결함 샘플이나, 일상적인 의료 검진에서 방사선 전문의가 확인한 병변 이미지 등이 그 예이다. 이러한 이상 샘플은 특정 응용 분야의 이상 특성에 대한 귀중한 지식을 제공하며, 최근 몇몇 모델에서는 유사한 이상 탐지 성능을 크게 향상시키는 데 기여하고 있다. 그러나 학습 과정에서 관측된 이상들은 모든 가능한 이상 클래스를 포괄하지 못하기 때문에, 이러한 모델은 미관측 이상 클래스로의 일반화 능력이 제한된다. 본 논문은 개방 집합(Open-set)의 감독형 이상 탐지 문제에 도전하며, 관측된 이상(그레이 스완, gray swans)과 미관측 이상(블랙 스완, black swans)을 모두 탐지할 수 있도록 목표를 설정하고, 이상 샘플을 활용하여 탐지 모델을 학습한다. 우리는 기존에 관측된 이상, 가상의 이상, 그리고 잠재적 잔차 이상(즉, 잠재 공간에서 정상 데이터와 비교해 비정상적인 잔차를 보이는 샘플)을 분리된 표현(Disentangled representations)으로 학습하는 새로운 접근법을 제안한다. 특히 후자 두 가지 이상 유형은 미관측 이상을 탐지하기 위해 특별히 설계되었다. 9개의 실제 이상 탐지 데이터셋에 대한 광범위한 실험을 통해, 다양한 설정 하에서 관측된 이상과 미관측 이상 모두를 효과적으로 탐지하는 본 모델의 우수한 성능을 입증하였다. 코드와 데이터는 다음 링크에서 제공된다: https://github.com/choubo/DRA.