이상 탐지는 타겟 데이터의 주요 패턴과는 달리 상이한 패턴을 찾는 것을 목표로 합니다. 최근 몇 년 동안 심층 신경망 구조는 종단 간 학습 방식의 프레임워크의 효율성으로 인해 이상 탐지 기법에 널리 채택되고 있습니다. 이러한 심층 신경망 기반 접근 방식은 설계된 상황에서는 뛰어난 성능을 보였지만, 실제 상황에서 많이 발생하는 노이즈가 있는 데이터 세트에서는 성능이 떨어지는 경우가 많습니다. 본 연구에서는 노이즈가 있는 데이터에 대해서도 강건한 이상 탐지를 위해 밀도 가중 심층 지원 벡터 데이터 설명 알고리즘을 제안합니다. 제안된 알고리즘은 개별 관측의 효과를 자체 밀도로 제한하여 결정 경계를 구성합니다. 이를 통해 밀집된 영역에 위치한 대상 가능성이 높은 관측은 결정 경계선에 높은 영향을 미치는 반면, 희박한 영역에 위치한 잡음이 많은 관측은 결정 경계선 구성에 거의 영향을 미치지 않습니다. 우리는 대표적인 벤치마크 데이터 세트와 베어링 시뮬레이터에서 얻은 진동 신호로 실험 연구를 수행했습니다. 실험 결과, 제안한 알고리즘이 기존의 심층 신경망 기반 이상 탐지 방법론들 보다 성능이 뛰어나다는 것을 확인했습니다.