提出深度SAD和端到端的训练策略，提出了一个信息理论框架，根据潜在的分布的熵来作为论文方法的理论解释。 异常检测的假设就是：检测那些不平常（出现较少）的数据。 one-class分类：目标是找到包含大多数数据的小度量，那些不包含在内的就是异常。 浅无监督异常检测方法：one-class svm，核密度估计，独立森林。 数据设置特点：n个无标签数据（大部分为正常数据但是也包括一些异常污染），m个标注数据（+1表示正常，-1表示异常） 两种不同的AD设置：1）只标注正常数据 2）也标注异常（这里没有说是否进行正常数据的标注） 聚类假设
1）深度SAD是无监督深度SVDD的一般化，它修改了实验设置，将实验设置为半监督类型。 如何将深度SVDD进行的半监督设置 2）提出一个信息理论框架用来解释Deep SAD和相似方法。 3）为一般半监督建立实验场景，在实验场景中引入新的baseline。