我们利用神经密度估计的最新突破，提出了一种新的无监督的密度估计（ANODE）技术进行无异常检测。 通过估计信号区域和边带中数据的条件概率密度，并将其内插到信号区域中，可以构建数据与背景之间完全由数据驱动的似然比。 该似然比对可能由于局部异常而导致的数据过密度敏感。 另外，ANODE方法的独特潜在好处是可以使用学习的密度直接估算背景。 最后，ANODE能够抵抗信号区域和边带之间的系统差异，因此比其他方法具有更广泛的适用性。 我们使用LHC Olympics 2020 R＆D数据集展示了这种新方法的强大功能。 我们展示了ANODE如何在背景预测上以高达7的因数提高dijet颠簸狩猎的重要性，准确度