Die meisten Anomalieerkennungsmodelle werden auf unsupervisierter Basis ausschließlich anhand normaler Beispiele trainiert, was zu einer mehrdeutigen Entscheidungsgrenze und einer unzureichenden Unterscheidbarkeit führen kann. Tatsächlich sind in realen Anwendungen häufig nur wenige Anomalien verfügbar, weshalb das wertvolle Wissen über bekannte Anomalien effektiv genutzt werden sollte. Allerdings kann die Nutzung nur weniger bekannter Anomalien während des Trainings ein weiteres Problem verursachen: Das Modell könnte durch diese bekannten Anomalien beeinflusst werden und verliert somit die Fähigkeit, auf unbekannte, bisher nicht gesehene Anomalien zu generalisieren. In diesem Artikel betrachten wir die überwachte Anomalieerkennung, d. h., wir lernen Anomalieerkennungsmodelle anhand einer geringen Anzahl verfügbarer Anomalien, mit dem Ziel, sowohl gesehene als auch nicht gesehene Anomalien zu detektieren. Wir stellen einen neuartigen, expliziten Grenzleitungsmechanismus für semi-push-pull kontrastives Lernen vor, der die Unterscheidbarkeit des Modells verbessert und gleichzeitig das Verzerrungsproblem verringert. Unser Ansatz basiert auf zwei zentralen Entwürfen: Erstens identifizieren wir eine explizite und kompakte Trenngrenze, die als Leitfaden für die weitere Merkmalslernung dient. Da diese Grenze ausschließlich auf der Verteilung normaler Merkmale basiert, kann das durch wenige bekannte Anomalien verursachte Verzerrungsproblem gemildert werden. Zweitens entwickeln wir eine grenzgeleitete semi-push-pull Verlustfunktion, die lediglich die normalen Merkmale zusammenzieht, während die abweichenden Merkmale über eine bestimmte Grenzregion hinaus von der Trenngrenze abgestoßen werden. Auf diese Weise kann unser Modell eine klarere und differenziertere Entscheidungsgrenze bilden, um sowohl bekannte als auch unbekannte Anomalien effektiver von normalen Beispielen zu unterscheiden. Der Quellcode wird unter https://github.com/xcyao00/BGAD bereitgestellt.