[Submitted on 25 May 2026 (v1), last revised 29 Jul 2026 (this version, v2)]

View PDF HTML (experimental)

Abstract:許多實際的異常不僅是罕見的輸入，更是語意限制的違反：物件以結構化方式共同出現、動作蘊含先決條件，以及事件滿足時間或關係規律性。我們在這種情境下研究異常偵測，其中限制以邏輯規則的形式給定於已學習的視覺概念上，但真實的規則違反在訓練期間極為罕見或完全不存在。我們提出一種神經規則評估器，將每個限制編譯成有向無環圖，並為其內部邏輯運算子學習特徵感知子樹 MLP 閘道。每個閘道將子特徵與邊層級否定對應到父表示與規則滿足機率，並從對真實概念標籤進行精確布林傳播中獲得中間監督。關鍵困難在於，同一影像的訓練資料通常無法提供足夠的資訊性真值配置涵蓋度，也允許捷徑解。為了解決此問題，我們引入 chimera 訓練：在特徵層級進行運算元層級的反事實建構。我們不是混合輸入影像，而是將來自不同樣本的子樹特徵串接；每個運算元保留其來源樣本的硬真值標籤，而 chimera 目標則透過對這些繼承標籤套用該節點的邏輯運算子獲得。這提供了監督式邏輯反例，而無需真實異常影像。在 CLEVRER、OpenImages 與 VidOR 上的結果顯示，該評估器在規則層級異常 AUROC 上優於獨立事件與同影像語意訓練基線，尤其在組合式與關係型規則上。此方法同時產生純量異常分數與規則層級歸因。

Submission history

From: Alejandro Ascárate [view email]
[v1] Mon, 25 May 2026 02:52:36 UTC (3,459 KB)
[v2] Wed, 29 Jul 2026 04:09:13 UTC (3,458 KB)