在現實世界的異常檢測中，許多異常並非僅僅是輸入數據的罕見模式，而是對語義約束的違反。例如，物體以結構化方式共現、動作隱含先決條件、事件滿足時間或關係規律。本文研究在這種設定下的異常檢測，其中約束以邏輯規則的形式給出，但訓練過程中真實的規則違反案例很少甚至沒有。作者提出了一種神經規則評估器（Neural Rule Evaluator, NRE），它將每個約束編譯成一個有向無環圖（DAG），併為其內部的邏輯運算符學習特徵感知的子圖MLP門。每個門將子特徵和邊級否定映射到父表示和規則滿足概率，並通過基於真實概念標籤的精確布爾傳播獲得中間監督。
關鍵困難在於，同一圖像中的訓練數據往往無法提供足夠覆蓋信息性真值配置，並且允許捷徑解。為解決這一問題，作者引入了奇美拉訓練：在特徵級別進行操作數級別的反事實構造。不是混合輸入圖像，而是拼接來自不同樣本的子圖特徵；每個操作數保留其原始樣本的硬真值標籤，奇美拉目標是通過將節點的邏輯運算符應用於這些繼承標籤而獲得的。這提供了有監督的邏輯反例，而無需真實的異常圖像。
在CLEVRER、OpenImages和VidOR數據集上的實驗表明，與獨立事件和同圖像語義訓練基線相比，所提出的評估器在規則級別的異常AUROC上有所提升，尤其是在組合規則和關係規則方面。該方法同時產生標量異常分數和規則級歸因。該方法已提交於2026年5月25日，由Alejandro Ascárate等四位作者共同完成，目前正在審稿中。論文有9+30頁，4+4張圖，屬於機器學習（cs.LG）領域。該工作可能推動邏輯異常檢測在視覺場景理解中的應用。