異常検知技術は、実社会のさまざまな場面で使われている。異常は稀なため、正常データのみを用いる半教師あり学習の異常検知手法が精力的に開発されている。しばしば適応される手法としてk近傍法とAutoEncoder（AE）がある。k近傍法では、正常と異常データの距離が十分大きい必要がある。AEは、異常データが再現されないとは保証できない。そこで我々は、ニューラルネットワークとk近傍法を組み合わせたアルゴリズムを考案した。異常データへの再現力を抑えるため、出力を正常データの重ね合わせに制限し、異常の近傍点で再構成させないため、その重みはニューラルネットワークの訓練データの学習で決定する。その異常検知性能を、0-9までの手書き文字データMNISTで、k近傍法とAEと比較した。ある1つの数を異常とし、それを学習データから抜いて学習を行い、テストデータを予測させた。テストと予測データの差分絶対値を用いて異常検知させ、その性能をROC曲線下面積で評価した。本手法、k近傍法（k=6, 重み=距離）およびAEの0-9のその面積平均はそれぞれ0.850、0.822、0.623となり、本手法が高い性能を示した。
