Detekce anomálií na vektorech je již dobře zmapovanou oblastí, detekce anomálií pro množinová data však představuje několik nových problémů. Množinou rozumíme skupinu vektorů, jejichž počet se v množinách se může lišit a na pořadí vektorů nezáleží. V detekci anomálií na množinových datech je tak třeba řešit invarianci na permutace a kardinalitu množin. Je nutné přehodnotit již existující techniky, modifikovat výpočty skóre a hledat nové modely. Práce se soustředí na různé aspekty problému detekce anomálií na množinách a porovnává již zavedené modely na veřejně přístupných datech. Provedená studie zdůrazňuje důležitost funkce pro výpočet skóre, která je normalizovaná a bere v potaz distribuci kardinality množin. VAE trénovaný na instancích s modifikovaným výpočtem skóre se ukazuje jako nejlepší model na MI datasetech, nově vytvořený PoolModel pak dosahuje nejlepšího výsledku na MNIST datasetu.
