# 用于逻辑异常检测的 Chimera 训练
[](#安装说明)
[](#安装说明)
[](LICENSE)
[](#适用范围与局限性)
一个神经符号异常检测器，它学习评估逻辑约束，**而无需在训练期间出现真实的违规异常**。
规则是基于感知概念的显式有向无环图。其内部逻辑节点是学习到的神经门。**Chimera 训练**通过组合来自不同正常样本的子树操作数，并分配相应算子的精确 Boolean 目标，从而创建缺失的真值配置。
## 核心思想
许多异常不仅仅是罕见的输入。它们是对语义期望的违背：
- 一个动作的发生没有前置条件；
- 存在一种关系，但没有相应的对象；
- 当其上下文处于活动状态时，缺少时间上的结果；
- 一张图像同时展示了互斥概念的证据。
该系统将感知与结构化评估分离开来：
1. 一个**叶概念库**将图像或视频映射为概念概率和编码器特征。
2. 每条规则都被编译成一个包含 `AND`、`OR`、`IMPLIES`、`IFF` 和边取反的逻辑 DAG。
3. 内部的**子树门**将子特征映射到父表示和满足概率。
4. 基于概念标签的精确 Boolean 传播在每个内部节点提供局部监督。
5. 规则违规被聚合成一个异常分数，并带有规则和子公式级别的归因。
## 为什么需要 Chimera 训练
正常的同图像数据可能会遗漏唯一具有信息量的配置。对于一个蕴含式
$$
A \Rightarrow B
$$
违规的赋值 $A=1$ 和 $B=0$ 可能在训练期间永远不会出现。因此，同图像学习器可能会退化成一种平凡的永远正常的解决方案。
对于一个二元节点，Chimera 训练从不同的样本中选择操作数。混合操作数为 $u_i^{\mathrm{chim}} = [h_L(x_i), h_R(x_{\pi(i)})]$。
其目标精确计算为 $t_i^{\mathrm{chim}} = \mathrm{op}(t_L(y_i), t_R(y_{\pi(i)}))$。
该目标**不是插值生成的**。也没有合成任何异常图像。该构造直接干预逻辑算子的操作数。
## 当前论文结果
在当前报告的规则集上的平均规则级异常 AUROC：
| 数据集 | 独立事件评估器 | 同图像语义训练 | Chimera 神经评估器 |
|---|---:|---:|---:|
| CLEVRER | 0.750 | 0.500 | **0.833** |
| OpenImages | 0.821 | 0.500 | **0.899** |
| VidOR | 0.490 | 0.500 | **0.724** |
目前的消融实验表明，Chimera 反事实监督是主导的实证贡献。模块化规则 DAG 评估器增加了局部语义监督、可检查的子公式分数以及可重用的学习子树，且相对于经过 Chimera 训练的单体预测器没有实质性的损失。
详细数值见 [`results/table2.csv`](results/table2.csv)。
## 安装说明
建议使用干净的 Python 3.10 或 3.11 环境。
```
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
python -m pip install --upgrade pip
```
使用适合本地 PyTorch/CUDA 配置的 wheel 安装 DGL，然后安装本项目：
```
pip install -e ".[all]"
```
仅使用 CPU 的用户通常可以使用：
```
pip install dgl
pip install -e ".[dev,video]"
```
## 快速定性演示
### MNIST：禁止的合取 `1 AND 7`
MNIST 是单标签的，因此 `1 AND 7` 在真实图像中永远不会出现。Chimera 训练通过将一个正常样本中的 `1` 操作数与另一个样本中的 `7` 操作数相结合，获取正合取样本。
```
python demos/mnist_forbidden_conjunction.py \
--pairs "1,7" \
--negatives chimeras_only
```
该脚本会下载 MNIST，训练或加载共享概念库，训练合取门，并将按分数排序的网格和 CSV 文件写入 `runs/mnist_1_7/`。
对于一个真实的数字 7 图像，异常分数为
$$
s(x)=\widehat{P}(1\land 7\mid x)
$$
得分离的样本是那些表示中同时带有异常强烈的类似于 1 的证据的数字 7。
### CIFAR-10：禁止的合取 `cat AND dog`
```
python demos/cifar10_forbidden_conjunction.py \
--pairs "cat,dog" \
--negatives chimeras_only \
--augment \
--eval_leaf
```
CIFAR-10 比 MNIST 更难且噪声更多。叶库的测试准确率也会与任何定性结果一同报告。
### 比较同图像与 Chimera 训练
```
python demos/compare_training_modes.py \
--dataset mnist \
--pair "1,7"
```
该包装器使用普通的同图像监督和仅使用 Chimera 的监督运行相同的实验，然后将生成的极值分数网格组合成一张对比图像。
**备注。** 在轻量级的 MNIST 和 CIFAR-10 演示上，仅正常的训练可能仍保留一些判别信号，因此 Chimera 的优势虽可见，但不如在 CLEVRER、OpenImages 和 VidOR 上那么显著，因为在这些数据集上，同图像训练会退化至接近随机的性能。
## 完整实验
大型实验驱动程序保存在 `experiments/` 下：
```
experiments/
├── clevrer/train.py
├── openimages/train.py
└── vidor/train.py
```
这些是研究脚本，而不是轻量级的演示。它们需要单独下载的数据集、大量的存储空间以及特定于实验的预处理。有关预期的布局和示例命令，请参见每个实验目录。
代表性的规则类型包括：
- `collide(A,B) => collide_before_half(A,B)`;
- `relationship => subject_object_present`;
- `(A1 AND A2) => B`;
- `A => (B1 OR B2)`;
- VidOR 中的上下文人物-对象关系规则。
## 包结构
```
src/chimera_logic/
├── semantics.py # exact Boolean targets
├── chimera.py # reusable operand-level mixing helpers
├── evaluator.py # hard propagation and neural DAG evaluation
└── trainer.py # bottom-up gate training and lineage-aware caching
```
规则图遵循以下约定：
| 字段 | 含义 |
|---|---|
| `ndata['mask']` | 概念叶为 `1`，内部节点为 `0` |
| `ndata['x']` | 叶节点处的概念 ID |
| `ndata['y']` | `1=IFF`，`2=IMPLIES`，`3=AND`，`4=OR` |
| `edata['neg']` | 取反的子边为 `-1`，否则为 `+1` |
| `edata['pos']` | 蕴含式的可选操作数顺序 |
## 可重用的子树门
训练器可以使用包含以下内容的谱系感知密钥来缓存学习到的子树：
- 算子和完整的子树结构；
- 蕴含式的有序操作数；
- 交换算子的规范化操作数；
- 边取反；
- 特征维度和架构标签；
- 上游编码器参数的指纹。
这可以防止在特征表示的语义发生变化后被无意间错误重用。
## 输出
演示和实验脚本会生成以下内容的组合：
```
manifest.json
metrics.json
scores_*.csv
per_rule_metrics.csv
grids/*.png
checkpoints/*.pt
```
检查点、数据集、缓存和运行目录被刻意排除在版本控制之外。
## 测试
不需要 DGL 的测试：
```
pytest tests/test_semantics.py tests/test_chimera.py
```
安装 DGL 后的完整测试：
```
pytest
```
## 适用范围与局限性
该方法假设：
- 存在足够的概念接口；
- 有意义的规则或合理的规则挖掘程序；
- 有足够的支持度来训练基础概念预测器；
- 仔细验证规则，以避免将数据集偏差编码为正常状态。
MNIST 和 CIFAR-10 演示说明了机制和定性排序。基准测试的声明是基于结构化的 CLEVRER、OpenImages 和 VidOR 实验，而不是基于这些玩具演示。
## 引用
如果您使用了本代码仓库，请引用：
**Alejandro Ascarate, Leo Lebrat, Rodrigo Santa Cruz, Clinton Fookes, and Olivier Salvado.**
*When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection.*
arXiv:2605.26171, 2026.
[arXiv 上的论文](https://arxiv.org/abs/2605.26171)
```
@article{ascarate2026chimera,
title = {When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection},
author = {Ascarate, Alejandro and Lebrat, Leo and Santa Cruz, Rodrigo and Fookes, Clinton and Salvado, Olivier},
year = {2026},
eprint = {2605.26171},
archivePrefix = {arXiv},
primaryClass = {cs.LG},
url = {https://arxiv.org/abs/2605.26171}
}
```
本代码仓库包含 [`CITATION.cff`](CITATION.cff)，用于提供软件引用元数据。
## 许可证
MIT。详见 [`LICENSE`](LICENSE)。