arXiv cs.CL· Ratun Rahman, Atit Pokharel·· 11 小时前AI 评分34
重新思考结构化生成：基于图的推理能否解决歧义问题？
Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Ambiguity?
AI 导读
研究将结构化生成重构为歧义感知推理问题，不再预测单一结构化输出，而是对一组合理的结构化输出进行推理。作者构建候选空间，将每个候选表示为捕捉实体及关系的图，通过语义对齐与关系一致性的图推理完成选择，并采用多有效学习框架在优化中保留歧义。在结构化生成基准上，该方法在准确率、稳定性和不同歧义程度下的鲁棒性均有提升，该工作已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：结构化生成通常被表述为从输入到单一结构化输出的确定性映射。这一假设与自然语言存在根本性错位，因为自然语言往往允许多个结构不同但语义有效的解释。因此，现有方法依赖单参考监督，将歧义坍缩为单一预测，导致在输入信息不足时输出不稳定且不一致。我们将结构化生成重新表述为\textit{歧义感知推理问题}，其目标是对一组合理的结构化输出进行推理，而非预测单一解。我们表明标准训练会固有地抑制有效备选，转而采用多有效学习框架，在优化过程中保留歧义。为落实这一表述，我们构建结构化输出的候选空间，将每个候选表示为捕获实体及其关系的图，并通过基于图的推理在语义对齐和关系一致性上进行选择。这使得能够在词元级似然之外，对相互竞争的解释进行有原则的比较。在结构化生成基准上的实验表明，在不同程度的歧义下，准确率、稳定性和鲁棒性均获得一致提升。这些结果凸显了显式建模歧义的重要性，并建议在结构化生成中从单输出预测转向集合级推理。
| 评论： | 被接收为 NeurIPS 2026 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31681 [cs.CL] |
| （或 arXiv:2610.31681v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31681 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ratun Rahman [查看电子邮件]
[v1]
2026年10月2日星期五 21:38:11 UTC（275 KB）
来源：arXiv cs.CL · arxiv.org