تُدرَّس معظم نماذج الكشف عن الشذوذ (AD) باستخدام عينات طبيعية فقط بطريقة غير مراقبة، مما قد يؤدي إلى حدود قرار غامضة وقابلية تمييز غير كافية. في الواقع، غالبًا ما تكون هناك بعض عينات الشذوذ المعروفة متوفرة في التطبيقات الواقعية، ويجب استغلال المعرفة القيّمة المتعلقة بهذه الشذوذ المعروفة بشكل فعّال. ومع ذلك، فإن استخدام عدد قليل من الشذوذ المعروفة أثناء التدريب قد يُحدث مشكلة أخرى، حيث قد يُؤثّر هذا على نموذج التعلم ويؤدي إلى انحيازه تجاه تلك الشذوذ المعروفة، مما يمنعه من التعميم على الشذوذ غير المرئية. في هذا البحث، نتناول الكشف عن الشذوذ المُشرَّف، أي نُدرّب نماذج AD باستخدام عدد قليل من الشذوذ المتاحة، بهدف اكتشاف كل من الشذوذ المرئية وغير المرئية. نقترح آلية جديدة للتعلم المتناقض الموجهة بحدود صريحة، تُسمى "التعلم المتناقض شبه الدفع-السحب الموجه بالحد الفاصل"، والتي تُعزز قابلية التمييز في النموذج وتُخفّف من مشكلة الانحياز. تعتمد طريقة عملنا على تصميمين رئيسيين: أولاً، نُحدّد حدًا فاصلًا صريحًا ومضغوطًا كمرشد لتعلم الميزات اللاحقة. وبما أن هذا الحد يعتمد فقط على توزيع الميزات الطبيعية، يمكن تخفيف مشكلة الانحياز الناتجة عن عدد قليل من الشذوذ المعروفة. ثانيًا، نطوّر دالة خسارة موجهة بالحد الفاصل من نوع "شبه دفع-سحب"، بحيث تُجذب فقط الميزات الطبيعية نحو بعضها البعض، بينما تُبعد الميزات الشاذة عن الحد الفاصل بمسافة تتجاوز منطقة حدّ معينة. وبهذا، يمكن للنموذج تشكيل حدّ قرار أكثر وضوحًا وتمييزًا، مما يمكّنه من التمييز بشكل أكثر فعالية بين الشذوذ المعروفة والشذوذ غير المرئية من العينات الطبيعية. سيتم إتاحة الكود على الرابط: https://github.com/xcyao00/BGAD.