多数の異常検出（AD）モデルは、教師なし学習により正常サンプルのみを用いて学習されるが、これにより決定境界が曖昧になり、識別能が不十分になる可能性がある。実際の応用場面では、少数の異常サンプルがしばしば入手可能であり、既知の異常に関する貴重な知識も効果的に活用すべきである。しかし、学習段階で少数の既知異常を用いることで、モデルがこれらの既知異常に偏り、未観測の異常への一般化能力を損なうという新たな問題が生じる可能性がある。本論文では、教師あり異常検出に取り組み、既に入手可能な少数の異常サンプルを用いてADモデルを学習することで、観測済みおよび未観測の異常を両方検出することを目的とする。そこで、モデルの識別能を向上させつつ、偏り問題を軽減する新しい明示的境界ガイド付き半プッシュ・プル対比学習機構を提案する。本手法は以下の2つの核心的な設計に基づく。第一に、正常特徴分布にのみ依存する明示的かつコンパクトな分離境界を特定し、これにより後の特徴学習のガイドとする。この境界は既知異常に依存しないため、少数の既知異常による偏り問題を緩和できる。第二に、境界ガイド付き半プッシュ・プル損失関数を設計し、正常特徴は互いに引き寄せつつ、異常特徴は特定のマージン領域を越えて分離境界から遠ざけるように制御する。これにより、モデルはより明確で識別性の高い決定境界を形成でき、既知の異常だけでなく未観測の異常も正常サンプルから効果的に識別可能となる。コードは https://github.com/xcyao00/BGAD にて公開される予定である。