在现实世界的许多场景中，异常并不只是罕见输入，而是对语义约束的违反：物体以特定结构共现，动作隐含前提条件，事件满足时间或关系规律。这篇题为《当规则违反罕见时：用于逻辑异常检测的嵌合训练》的论文（arXiv:2605.26171v1，2026年5月25日提交）正是研究这种设定下的异常检测问题。作者包括Alejandro Ascarate等五位研究者，论文属于机器学习（cs.LG）分类，共9+30页、4+4张图，目前处于审稿阶段。
论文的核心挑战在于：约束以逻辑规则的形式给出，这些规则建立在学习到的视觉概念之上，但训练期间真实的规则违反样本要么极其罕见，要么完全缺失。传统的异常检测方法依赖于大量异常样本进行监督学习，而在这里，模型必须在几乎没有“正例”异常的情况下学会识别逻辑违规。
为解决这一问题，作者提出了一种神经规则评估器。该评估器将每条约束编译成有向无环图，并为图中的内部逻辑算子学习特征感知的子树MLP门控。每个门控将子节点特征和边级否定映射到父节点表示以及一个规则满足概率。中间监督信号来自对真实概念标签执行精确布尔传播的结果。换句话说，模型不仅学习最终的规则是否被满足，还学习规则内部各个子表达式的真值状态。
然而，仅使用同一图像内的训练数据存在两个关键困难：一是这些数据往往无法充分覆盖有信息量的真值配置，二是模型容易学到捷径解，即利用表面相关性而非真正理解逻辑结构。为了应对这一挑战，作者引入了“嵌合训练”（chimera training）。这是一种在特征层面进行的操作数级反事实构造方法。与混合输入图像不同，该方法将来自不同样本的子树特征拼接在一起；每个操作数保留其来源样本的硬真值标签，而嵌合目标则通过将该节点的逻辑算子应用于这些继承的标签来获得。这样，模型就能在不需真实异常图像的情况下获得有监督的逻辑反例。
在CLEVRER、OpenImages和VidOR三个数据集上的实验表明，该评估器在规则级异常AUROC指标上优于独立事件基线和同图像语义训练基线，尤其在组合规则和关系规则上提升明显。该方法不仅能输出标量异常分数，还能提供规则级的归因，即指出是哪条规则被违反以及违反的程度。这对于实际应用中的可解释性具有重要意义。
论文的提交时间为2026年5月25日，目前以预印本形式发布在arXiv上，DOI为10.48550/arXiv.2605.26171。作者来自多个机构，具体信息可在论文首页查看。该工作为逻辑异常检测领域提供了一种新颖的训练策略，有望推动基于规则的视觉推理系统在安全监控、工业质检等场景中的应用。