論文の概要: When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection
- arxiv url: http://arxiv.org/abs/2605.26171v1
- Date: Mon, 25 May 2026 02:52:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.267434
- Title: When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection
- Title（参考訳）: ルール違反が稀な場合: 論理的異常検出のためのキメラトレーニング
- Authors: Alejandro Ascarate, Leo Lebrat, Rodrigo Santa Cruz, Clinton Fookes, Olivier Salvado,
- Abstract要約: 本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。
本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。
CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
- 参考スコア（独自算出の注目度）: 56.362776482614976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many practical anomalies are not merely rare inputs, but violations of semantic constraints: objects co-occur in structured ways, actions imply preconditions, and events satisfy temporal or relational regularities. We study anomaly detection in this setting, where constraints are given as logical rules over learned visual concepts, but real rule violations are rare or absent during training. We propose a neural rule evaluator that compiles each constraint into a directed acyclic graph and learns feature-aware subtree MLP gates for its internal logical operators. Each gate maps child features and edge-level negations to a parent representation and a rule-satisfaction probability, with intermediate supervision obtained from exact Boolean propagation over ground-truth concept labels. The key difficulty is that same-image training data often provide insufficient coverage of informative truth configurations and also allow shortcut solutions. To address this, we introduce chimera training: an operand-level counterfactual construction at the feature level. Instead of mixing input images, we concatenate subtree features from different samples; each operand keeps the hard truth label of the sample it came from, and the chimera target is obtained by applying the node's logical operator to those inherited labels. This supplies supervised logical counterexamples without requiring real anomalous images. Across CLEVRER, OpenImages, and VidOR, the resulting evaluator improves rule-level anomaly AUROC over independent-events and same-image semantic-training baselines, especially for compositional and relational rules. The method yields both scalar anomaly scores and rule-level attributions.
- Abstract（参考訳）: 多くの実用的な異常は単なる入力ではなく、意味的制約の違反である:オブジェクトは構造化された方法で共起し、アクションは前提条件を暗示し、イベントは時間的または関係的規則性を満たす。
この環境では、学習した視覚概念に対する論理的ルールとして制約が与えられるが、実際のルール違反は、トレーニング中に稀または欠落している。
本稿では,各制約を有向非巡回グラフにコンパイルし,内部論理演算子に対する特徴認識サブツリーMLPゲートを学習するニューラルルール評価器を提案する。
各ゲートは子の特徴とエッジレベルの否定を親表現とルール満足度確率にマッピングし、中間的監督は、基底構造概念ラベル上の正確なブール伝播から得られる。
重要な難点は、同じイメージのトレーニングデータが、情報的真理構成の不十分なカバレッジを提供し、またショートカットソリューションを可能にすることだ。
これに対処するために,オペランドレベルの対実的構成を特徴レベルで導入する,キメラトレーニングを導入する。
入力画像の混合の代わりに,各オペランドはサンプルの真理ラベルを保持し,キメラターゲットはノードの論理演算子をそれらの継承ラベルに適用することで得られる。
これにより、実際の異常画像を必要としない教師付き論理反例が提供される。
CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、特に合成およびリレーショナルルールにおいて、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
この方法はスカラー異常スコアとルールレベルの属性の両方を得る。
関連論文リスト
- LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。
モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。
LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
論文 参考訳（メタデータ） (2026-05-19T07:27:50Z) - A Foundation Model for Zero-Shot Logical Rule Induction [0.0]
ゼロショットルール誘導のための事前訓練モデルであるニューラルルールインデューサ(NRI)を導入する。
NRIはリテラルIDを符号化するのではなく、ドメインに依存しない統計特性を用いてリテラルを表現する。
製品Tノルム緩和はルール実行を差別化可能にし、予測精度だけでエンドツーエンドのトレーニングを可能にする。
論文 参考訳（メタデータ） (2026-05-06T13:45:31Z) - ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor [6.477319771984887]
帰納論理プログラミングは、データから解釈可能な一階ルールを学ぶことを目的としている。
既存の象徴的なニューロシンボリックアプローチは、ノイズと確率的な設定にスケールするのに苦労する。
本稿では、注意に基づく神経象徴的差別化ルールエクストラクタ(ANDRE)を提案する。
ANDREは、ルールテンプレートと論理演算子を、完全に微分可能で、注意駆動の結合と解離演算子で置き換える。
論文 参考訳（メタデータ） (2026-05-05T18:35:06Z) - Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs [13.488544043942495]
本研究の目的は、コード生成中に論理的妥当性を予測可能な内部デオード可能な信号が、モデル内のニューラルダイナミクスで符号化されているかどうかを検討することである。
複雑な残留流を分解することにより,音の推論と論理的失敗を区別する構造的シグネチャを同定することを目的とする。
Python、C++、Javaでの分析では、固有の正当性信号が多様な構文で堅牢であることが確認されている。
論文 参考訳（メタデータ） (2026-02-06T03:49:15Z) - Interpretable Logical Anomaly Classification via Constraint Decomposition and Instruction Fine-Tuning [0.17722218114340835]
我々は,単一推論ステップにおいて,異常検出ときめ細かい違反分類を統一するタスクである論理異常分類(LAC)を導入する。
LACに取り組むために,複雑な論理的制約を検証可能なサブクエリ列に分解する視覚言語フレームワークであるLogiClsを提案する。
論文 参考訳（メタデータ） (2026-02-03T13:48:09Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。