稀有规则违规时的奇幻训练：逻辑异常检测方法

许多实际异常并非仅稀有输入，而是语义约束的违规：对象以结构化方式共现，动作暗示前提条件，事件满足时间或关系规律性。我们研究此设置下的异常检测，其中约束以对学习视觉概念的逻辑规则形式给出，但实际规则违规在训练期间稀有或缺失。我们提出了一个神经规则评估器，将每个约束编译为有向无环图（DAG），并为其内部逻辑运算符学习特征感知的子树感知器门。每个门将子节点特征和边缘级否定映射到父节点表示和规则满足概率，通过对真实概念标签的精确布尔传播获得中间监督。关键难点在于，相同图像的训练数据常提供不足的信息性真实配置覆盖，同时也允许捷径解决方案。为此，我们引入奇幻训练：在特征级别进行操作数级反事实构造。我们不是混合输入图像，而是从不同样本中拼接子树特征；每个操作数保留其来源样本的硬真实标签，奇幻目标通过应用于这些继承标签的节点逻辑运算符获得。这提供了无需真实异常图像即可获得的受监督逻辑反事实样本。跨CLEVRER、OpenImages 和 VidOR，结果评估器在独立事件和相同图像语义训练基线之上提高了规则水平异常 AUC，尤其对于组合和关系规则效果显著。该方法产生标量异常分数和规则级别归因。