Zespół badawczy zaproponował CLOE, hybrydową metodę łączącą autenkoder z detektorem anomalii opartym na funkcji Christoffela do pracy w przestrzeni latentnej. Głównym problemem istniejących metod opartych na funkcji Christoffela była ich słaba wydajność na danych wysokowymiarowych - tutaj autenkoder redukcjonuje wymiarowość, a detektor pracuje w znacznie bardziej zwartej reprezentacji. Innowacyjna funkcja straty oparta na funkcji Christoffela kieruje autenkoder w stronę reprezentacji lepiej oddających wsparcie rozkładu normalnych danych.
Metoda CLOE zachowuje główne przewagi podejść Christoffela-based - wymaga dostrojenia zaledwie jednego hiperparametru i ma solidne uzasadnienie teoretyczne. Naukowcy zaproponowali też zasadniczy procedurę ustalania progu detekcji i efektywną strategię do tuningu pozostałego hiperparametru, co czyni metodę praktyczną w stosowaniu.
Eksperymentalno na wielokrotnych benchmarkach detekcji anomalii na danych tabelarycznych wykazały, że CLOE osiąga lepsze wyniki niż metody konkurencyjne. To jest istotne dla praktycznych zastosowań w monitorowaniu procesów, ochronie zdrowia i finansach, gdzie potrzebne są lekkie metody do semi-supervised anomaly detection bez konieczności intensywnej kalibracji.