[2026年5月25日投稿 (v1), 最終改訂 2026年7月29日 (本バージョン, v2)]

PDFを表示 HTML（実験的）

要約:多くの実用的異常は、単に稀な入力ではなく、意味制約の違反です。すなわち、オブジェクトは構造化された方法で共起し、行動は前提条件を意味し、事象は時間的または関係的な規則性を満たします。我々は、この設定における異常検知を研究します。ここでは、制約が学習された視覚概念に対する論理規則として与えられますが、実際の規則違反は訓練中に稀であったり、存在しなかったりします。我々は、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型サブツリーMLPゲートを学習するニューラル規則評価器を提案します。各ゲートは子特徴とエッジレベルの否定を親表現と規則充足確率にマッピングし、中間教師信号は正解概念ラベルに対する正確なブール伝播から得られます。主要な難点は、同じ画像の訓練データでは情報的な真理配置のカバー率が不十分であり、ショートカット解も許容してしまう点です。これに対処するため、我々はキメラ学習を導入します。これは特徴レベルでのオペランド単位の反事実的構成です。入力画像を混合する代わりに、異なるサンプルからサブツリー特徴を連結します。各オペランドはその由来サンプルの硬い真理ラベルを保持し、キメラターゲットは継承されたラベルに対してノードの論理演算子を適用することで得られます。これにより、実在の異常画像を必要とせずに教師付き論理的反例を提供します。CLEVRER、OpenImages、VidORにおいて、得られた評価器は独立事象や同一画像の意味訓練ベースラインを上回る規則レベル異常AUROCを実現し、特に合成規則や関係規則で顕著です。本手法はスカラー異常スコアと規則レベル帰属の両方を生成します。

投稿履歴

投稿者: Alejandro Ascárate [メールを表示]
[v1] 2026年5月25日 月曜日 02:52:36 UTC (3,459 KB)
[v2] 2026年7月29日 水曜日 04:09:13 UTC (3,458 KB)