当规则违反罕见时：面向逻辑异常检测的奇美拉训练
本文提出一种神经规则评估器，将逻辑约束编译为有向无环图，并引入奇美拉训练方法以解决训练中真实异常样本稀缺的问题。在CLEVRER、OpenImages和VidOR等数据集上，该方法显著提升了逻辑异常检测的性能，尤其在组合性和关系性规则方面。
文章情报
要点
- 神经规则评估器将逻辑约束编译为有向无环图，并学习特征感知的子图MLP门。
- 奇美拉训练通过在特征层级拼接不同样本的子图特征构建反事实样本，避免依赖真实异常图像。
- 实验表明该方法在多个基准上优于基线，并同时产生标量异常分数和规则级归因。
为什么重要
这条新闻值得关注，因为神经规则评估器将逻辑约束编译为有向无环图，并学习特征感知的子图MLP门。
技术影响
可能影响研究路线、评测方法、开源复现和后续产品化方向。
在现实世界的异常检测中，许多异常并非仅仅是输入数据的罕见模式，而是对语义约束的违反。例如，物体以结构化方式共现、动作隐含先决条件、事件满足时间或关系规律。本文研究在这种设定下的异常检测，其中约束以逻辑规则的形式给出，但训练过程中真实的规则违反案例很少甚至没有。作者提出了一种神经规则评估器（Neural Rule Evaluator, NRE），它将每个约束编译成一个有向无环图（DAG），并为其内部的逻辑运算符学习特征感知的子图MLP门。每个门将子特征和边级否定映射到父表示和规则满足概率，并通过基于真实概念标签的精确布尔传播获得中间监督。
关键困难在于，同一图像中的训练数据往往无法提供足够覆盖信息性真值配置，并且允许捷径解。为解决这一问题，作者引入了奇美拉训练：在特征级别进行操作数级别的反事实构造。不是混合输入图像，而是拼接来自不同样本的子图特征；每个操作数保留其原始样本的硬真值标签，奇美拉目标是通过将节点的逻辑运算符应用于这些继承标签而获得的。这提供了有监督的逻辑反例，而无需真实的异常图像。
在CLEVRER、OpenImages和VidOR数据集上的实验表明，与独立事件和同图像语义训练基线相比，所提出的评估器在规则级别的异常AUROC上有所提升，尤其是在组合规则和关系规则方面。该方法同时产生标量异常分数和规则级归因。该方法已提交于2026年5月25日，由Alejandro Ascárate等四位作者共同完成，目前正在审稿中。论文有9+30页，4+4张图，属于机器学习（cs.LG）领域。该工作可能推动逻辑异常检测在视觉场景理解中的应用。