مسئله شناسایی الگوهای نامتعارف، به خصوص به صورت بدون سرپرست، یکی از چالش های حایز اهمیت در فعالیت های انسانی است که محدوده وسیعی از کاربرد ها همچون نظارت بر ترافیک شبکه تا تحیل های بیومتریکال را شامل می شود. چالش عمده ای که به صورت ارثی در چنین زمینه ای حضور دارد، عدم وجود نمونه از کلاس نامتعارف می باشد. بر اساس چنین محدودیتی بسیاری از روش های واقع بینانه شناسایی نمونه های نامتعارف فرض می کنند تنها داده های آموزشی نرمال در اختیار دارند. علاوه بر این در بسیاری از مسائل ما به دنبال یافتن نمونه های نامتعارف معنادار می باشیم. نمونه هایی که بتوان عدم تبعیت رفتار آن ها را از یک رفتار نرمال توسط تعداد قابل قبولی نمونه توجیه کرد. با توجه به نکات ذکر شده، رهیافت های پیشنهادی ما در مطالعات انجام شده، شامل چهار مزیت نسبت به روندهای مشابه خود می باشند. اولین مزیت بهره جویی از دو معیار هوشمندانه جمله تنظیم و تغییر نسبت غیر معین برای شناسایی ناهنجاری های معنادار می باشد. دومین برتری روند های پیشنهادی، ارائه چهارچوبی برای حل مسئله با در نظر گرفتن شرایط واقع گرایانه می باشد. در این رهیافت ها، داده های آموزشی نرمال فرض شده اند و مسئله برای مجموعه داده هایی که دارای صفات عددی و غیر عددی هستند، تعریف شده است. مزیت دیگر این روش ها، استفاده از شبکه بیزین برای تعیین کوچکترین مجموعه قوانین و امتیاز دهی به نمونه های تست است. آخرین برتری مربوط به یک ساختار درختی به نام ad tree است که به منظور ذخیره و بازیابی موثر اطلاعات، در رهیافت های پیشنهادی استفاده شده است. نتایج تجربی به دست آمده بر روی چندین مجموعه داده نمایانگر برتری الگوریتم های پیشنهادی نسبت به سایر روش های پایه ای است که در گذشته پیشنهاد شده است.