「Rethinking Structured Generation: Can Graph-Based Reasoning Resolve Ambiguity?」と題されたこの論文は、Ratun Rahman 氏と Atit Pokharel 氏によるもので、2026年10月2日に arXiv へ投稿されました。識別子は arXiv:2610.31681v1 で、計算と言語（cs.CL）に分類され、人工知能（cs.AI）にも関連する分野として登録されています。投稿時点で NeurIPS 2026 に採択されており、初版（v1）の投稿日時は2026年10月2日 21:38:11 UTC、ファイルサイズは約275 KB、DOI は https://doi.org/10.48550/arXiv.2610.31681 です。
論文の出発点は、構造化生成における基本的な前提への疑問です。従来の一般的な定式化では、構造化生成は入力から単一の構造化出力への決定論的な写像として扱われます。しかし著者らは、この前提が自然言語の性質と根本的に噛み合っていないと指摘します。自然言語では、構造としては互いに異なりながら、意味的にはいずれも妥当な複数の解釈が成り立つことがよくあります。つまり同じ入力に対して複数の正しい出力があり得るのです。既存手法は単一の参照答案による教師あり学習に依存しており、本来存在する曖昧さを一つの予測へと押しつぶしてしまいます。その結果、入力が十分に特定されていない状況では、出力が不安定になり、一貫性を欠くという問題が生じます。
そこで著者らは、構造化生成を「曖昧さを意識した推論問題」として再定式化します。新しい枠組みでは、唯一の解を予測することが目的ではなく、妥当であり得る構造化出力の集合に対して推論を行うことが目的となります。さらに著者らは、標準的な訓練の仕組み自体が、有効な代替候補を抑え込んでしまうことを示し、最適化の過程で曖昧さを保持する「複数有効学習」の枠組みを採用します。
この定式化を実際に機能させるため、論文では候補となる構造化出力の空間を構築します。各候補は、実体を表すノードと実体間の関係を表すエッジからなるグラフとして表現されます。その上で、意味的な整合性と関係の一貫性という二つの観点から、グラフに基づく推論によって候補の比較と選択を行います。著者らは、この方法によって、トークン単位の尤度だけに頼るのではなく、競合する複数の解釈を原理的に比較できると主張しています。
構造化生成のベンチマークを用いた実験では、曖昧さの程度が異なる条件下で、精度、安定性、頑健性のいずれにおいても一貫した改善が確認されました。著者らはこの結果から、曖昧さを明示的にモデル化することの重要性を強調し、構造化生成を単一出力の予測から集合レベルの推論へと移行させるべきだと提言しています。
arXiv のページには、PDF、実験的な HTML 版、TeX ソース、ライセンス情報に加え、音声要約、参考文献や引用のツール、コードやデータを探すための各種連携機能も用意されています。閲覧コンテキストでは、この論文は cs.CL の2026年10月の新着リストに含まれており、cs や cs.AI の分類に切り替えて閲覧することも可能です。
全体として本研究の中心的貢献は、構造化生成の問題設定を捉え直した点にあります。曖昧さを排除すべきノイズとして扱うのではなく、推論の中で明示的に保持し比較すべき対象と位置づけ、グラフ構造の表現と関係に基づく推論によって集合レベルの出力選択を支える枠組みを提示しています。