arXiv (cs.CL) は2026年10月2日(現地時間)、Ratun Rahman氏とAtit Pokharel氏による研究論文「Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Amiguity?」を公開した。この論文は、自然言語が内包する曖昧性に起因する課題に対処するため、構造化生成を「曖昧さを考慮した推論問題」として再定義し、グラフベースの推論を活用した新たなアプローチを提案している。
従来の構造化生成は、入力テキストから単一の構造化された出力を生成する決定論的なマッピングとして捉えられてきた。しかし、自然言語が複数の構造的に異なる、しかし意味的には妥当な解釈を許容するという特性を持つため、この単一出力の前提は、自然言語が持つ本質的な曖昧性と根本的に乖離している。
既存の生成モデルは、曖昧さを単一の予測に集約する「単一参照による教師あり学習」に依存してきた。この手法は、情報が不十分な入力に対して不安定かつ一貫性に欠ける出力を生じさせる原因となっていた。研究者らはこの課題を克服するため、複数の有効な出力を保持できるmulti-valid learning framework（複数有効性学習フレームワーク）を導入し、最適化の過程で曖昧さを積極的に維持する仕組みを構築した。
この新しい定式化を実現するために、まず構造化出力の候補となる広範な空間が構築される。この空間内の各候補は、エンティティとその間の関係性を捉えるグラフとして表現される。次に、意味的アラインメントと関係性の一貫性に基づいたグラフベースの推論が適用され、最適な候補が選択される。このアプローチにより、モデルはトークンレベルの尤度（ゆうど）を超え、競合する複数の解釈間を比較し、より適切な構造を導き出すことが可能になる。
論文では、構造化生成の複数のベンチマークデータセットを用いた実験結果が報告されている。これらの実験は、さまざまなレベルの曖昧性が存在する状況下で、提案された手法が精度、安定性、およびロバスト性（堅牢性）において持続的な改善を示すことを明らかにした。これらの成果は、構造化生成において曖昧性を明示的にモデル化することの重要性を強調し、これまでの単一出力予測から、複数の可能性を考慮するセットレベルの推論へとパラダイムを移行させる可能性を示唆している。本論文は、「NeurIPS 2026」に採択されることが決定している。
参考: arXiv cs.CL — 2026年10月26日 13:00 (JST)
原文ハイライト"Can Graph-Based Reasoning Resolve Ambiguity?"