多くの実用的な異常は、単に稀な入力ではなく、意味制約の違反である。例えば、オブジェクトは構造化された方法で共起し、行動は前提条件を含意し、イベントは時間的または関係的規則性を満たす。本研究では、制約が学習された視覚概念に対する論理ルールとして与えられるが、訓練中に実際のルール違反が稀または存在しない設定での異常検知を扱う。著者らは、各制約を有向非巡回グラフにコンパイルし、その内部論理演算子に対して特徴認識サブツリー多層パーセプトロン（MLP）ゲートを学習するニューラルルール評価器を提案する。各ゲートは子特徴とエッジレベルの否定を親表現とルール充足確率にマッピングし、中間監督は正解概念ラベル上の正確なブール伝播から得られる。
しかし、同一画像の訓練データを直接使用するには二つの大きな困難がある。第一に、情報的な真理設定のカバレッジが不十分であること、第二に、モデルがショートカット解を学習しやすいことである。これに対処するため、著者らはキメラ訓練を導入する。これは特徴レベルでのオペランドレベルの反事実構築である。入力画像を混合する代わりに、異なるサンプルからのサブツリー特徴を連結する。各オペランドは由来するサンプルの硬い真理ラベルを保持し、キメラ目標は継承されたラベルにノードの論理演算子を適用することで得られる。これにより、実際の異常画像を必要とせずに、教師あり論理的反例を提供できる。
CLEVRER、OpenImages、VidORの三つのデータセットでの実験により、この評価器はルールレベルの異常AUROC指標において、独立イベントベースラインおよび同一画像セマンティック訓練ベースラインを上回り、特に合成的ルールと関係的ルールで顕著な改善を示す。この手法はスカラー異常スコアだけでなく、ルールレベルの帰属も提供し、異常の背後にある論理違反の理解を助ける。論文は2026年5月25日に提出され、9+30ページ、4+4図を含み、現在査読中である。