结构化生成传统上被视为从输入到单一结构化输出的确定性映射。然而自然语言常常存在多种结构上不同但语义上同样有效的解释。单一参考监督会把这种歧义压缩为唯一预测，导致在信息不足的情况下输出不稳定、前后不一致。
本文将结构化生成重新定义为\textit{歧义感知推理}问题：目标不是预测唯一解，而是对一组可能的结构化输出进行推理。我们指出常规训练会无意抑制合法的备选方案，因而提出多有效学习框架，在优化过程中保留歧义信息。
为实现该框架，我们构造了结构化输出的候选空间，并将每个候选表示为包含实体及其关系的图。随后通过图式推理评估语义对齐和关系一致性，实现对竞争解释的原则性比较，而不再依赖单词层面的似然分数。
在多个结构化生成基准上的实验表明，该方法在准确率、稳定性以及对不同歧义程度的鲁棒性上均有显著提升。结果强调了显式建模歧义的重要性，并呼吁从单输出预测转向集合层面的推理。
点评