在本文中，我们提出了一种半监督异常检测（SSAD）的新方法。我们的分类器命名为QMS22，因为其成立的日期为2022年，该框架是二次多形分离（QMS）的框架，这是一个最近引入的分类模型。 QMS22通过解决涉及训练集和原始问题的测试集的多类分类问题来解决SSAD。分类问题有意包括带有重叠样本的类。其中一个类包含普通样品和离群值的混合物，所有其他类别仅包含正常样品。然后使用分类问题的结果为测试集中的每个样本计算出异常得分。我们还使用龙骨存储库中的95个基准不平衡数据集对QMS22进行QMS22的性能评估。这些分类器是BRM（包装随机矿工），Ockra（具有随机投影特征算法的单级K-均值），ISOF（隔离林）和OCSVM（单级支持向量机）。通过在接收器操作特征曲线的曲线下使用该区域作为性能度量，QMS22显着优于ISOF和OCSVM。此外，Wilcoxon签署的秩检验表明，在针对BRM和QMS22对OCKRA的QMS22测试时，没有统计学上的显着差异。

在本文中，我们介绍了机器学习中的新分类模型。我们的结果是三倍：1）该模型与最常见的分类模型产生可比的预测准确性。2）它的运行速度明显快于大多数常见的分类模型。3）它具有识别一部分看不见的样本的能力，可以找到具有更高的预测精度的类标签。目前，在拟议的模型上有几项专利。