論文の概要: Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Ambiguity?
- arxiv url: http://arxiv.org/abs/2610.31681v1
- Date: Fri, 02 Oct 2026 21:38:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:06:26.110969
- Title: Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Ambiguity?
- Title(参考訳): 構造化生成の再考:グラフベースの推論はあいまいさを解消できるか?
- Abstract要約: 標準学習は有効な代替手段を本質的に抑制し、代わりに最適化時のあいまいさを保存する多変数学習フレームワークを採用する。
構造化された生成ベンチマークの実験は、様々なあいまいさのレベルにおいて、精度、安定性、堅牢性において一貫した改善を示す。
- 参考スコア(独自算出の注目度): 5.5503821913748554
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Structured generation is typically formulated as a deterministic mapping from input to a single structured output. This assumption is fundamentally misaligned with natural language, which often admits multiple structurally distinct yet semantically valid interpretations. As a result, existing methods rely on single-reference supervision that collapses ambiguity into one prediction, leading to unstable and inconsistent outputs under underspecified inputs. We reformulate structured generation as an \textit{ambiguity-aware inference problem}, where the objective is to reason over a set of plausible structured outputs rather than predict a single solution. We show that standard training inherently suppresses valid alternatives, and instead adopt a multi-valid learning framework that preserves ambiguity during optimization. To operationalize this formulation, we construct a candidate space of structured outputs, represent each candidate as a graph capturing entities and their relationships, and perform selection via graph-based reasoning over semantic alignment and relational consistency. This enables principled comparison across competing interpretations beyond token-level likelihoods. Experiments on structured generation benchmarks demonstrate consistent improvements in accuracy, stability, and robustness under varying levels of ambiguity. These results highlight the importance of modeling ambiguity explicitly and suggest a shift from single-output prediction to set-level reasoning in structured generation.
- Abstract(参考訳): 構造化生成は通常、入力から単一の構造化出力への決定論的マッピングとして定式化される。
この仮定は、構造的に異なるが意味論的に有効な解釈が複数存在する自然言語と基本的には一致していない。
その結果、既存の手法は単一参照の監督に依存しており、曖昧さを一つの予測に分解し、不特定な入力の下で不安定で一貫性のない出力をもたらす。
構造生成を「textit{ambiguity-aware inference problem」として再定式化する。
標準学習は有効な代替手段を本質的に抑制し、代わりに最適化時のあいまいさを保存する多変数学習フレームワークを採用する。
この定式化を運用するために、構造化された出力の候補空間を構築し、各候補をエンティティとその関係をキャプチャするグラフとして表現し、意味的アライメントと関係的整合性に対するグラフベースの推論によって選択する。
これにより、トークンレベルの可能性を超えた、競合する解釈間での原則的な比較が可能になる。
構造化された生成ベンチマークの実験は、様々なあいまいさのレベルにおいて、精度、安定性、堅牢性において一貫した改善を示す。
これらの結果は、あいまいさをモデル化することの重要性を強調し、構造化世代における単一出力予測からセットレベルの推論へのシフトを示唆している。
関連論文リスト
- Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳(メタデータ) (2026-06-24T15:58:11Z) - Multi-Agent Procedural Graph Extraction with Structural and Logical Refinement [66.51979814832332]
モデル式は、専用の構造的および論理的洗練を伴う多ラウンド推論プロセスとして手続きグラフ抽出を定式化する。
実験により、モデルが強いベースラインに対して構造的正当性と論理的整合性の両方において大幅に改善されることが示されている。
論文 参考訳(メタデータ) (2026-01-27T04:00:48Z) - Thinking Before Constraining: A Unified Decoding Framework for Large Language Models [1.2468700211588883]
自然生成と構造生成の両方の利点を組み合わせた簡単なアプローチを提案する。
提案手法は,構造化された出力の信頼性を確保しつつ,自然言語推論の表現力を維持する。
論文 参考訳(メタデータ) (2026-01-12T13:25:28Z) - ASSESS: A Semantic and Structural Evaluation Framework for Statement Similarity [9.337443482551356]
ASSESS (Semantic and Structure Evaluation Framework for Statement similarity) を導入し、セマンティックおよび構造情報を総合的に統合し、連続的な類似度スコアを提供する。
厳密な検証のために,ミニF2F と ProofNet から派生した 524 のエキスパート注釈付き形式文ペアの新しいベンチマーク EPLA を提案する。
EPLAの実験では、TransTEDの類似性は既存の手法よりも優れており、最先端の精度と最高カッパ係数が達成されている。
論文 参考訳(メタデータ) (2025-09-26T12:02:58Z) - Disambiguate First, Parse Later: Generating Interpretations for Ambiguity Resolution in Semantic Parsing [56.82807063333088]
本稿では, 自然言語の解釈を論理形式にマッピングする前に, あいまいさを解消するモジュラー手法を提案する。
我々のアプローチは解釈のカバレッジを改善し、異なるアノテーションスタイル、データベース構造、あいまいさタイプを持つデータセットをまたいだ一般化を行う。
論文 参考訳(メタデータ) (2025-02-25T18:42:26Z) - Promptly Predicting Structures: The Return of Inference [31.442123334313035]
ゼロショットと少数ショットの言語構造予測器を構築するためのフレームワークを提案する。
その結果, 整合性の維持は構造的に有効であるだけでなく, 性能も向上することがわかった。
論文 参考訳(メタデータ) (2024-01-12T20:08:39Z) - Rationale-Augmented Ensembles in Language Models [53.45015291520658]
我々は、数発のテキスト内学習のための合理化促進策を再考する。
我々は、出力空間における合理的サンプリングを、性能を確実に向上させるキーコンポーネントとして特定する。
有理拡張アンサンブルは既存のプロンプト手法よりも正確で解釈可能な結果が得られることを示す。
論文 参考訳(メタデータ) (2022-07-02T06:20:57Z) - Hierarchical Poset Decoding for Compositional Generalization in Language [52.13611501363484]
出力が部分的に順序付けられた集合(命題)である構造化予測タスクとして人間の言語理解を形式化する。
現在のエンコーダ・デコーダアーキテクチャは意味論のポーズ構造を適切に考慮していない。
本稿では,言語における合成一般化のための新しい階層型ポーズデコーディングパラダイムを提案する。
論文 参考訳(メタデータ) (2020-10-15T14:34:26Z)
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。