Tradycyjne podejścia do generowania strukturalnego opierają się na założeniu, że dla danego wejścia istnieje jedno prawidłowe wyjście strukturalne. Problem polega na tym, że język naturalny zawiera wiele możliwych interpretacji, które mogą być strukturalnie różne, lecz semantycznie równie poprawne. Obecne metody wykorzystują single-reference supervision, co prowadzi do utraty cennych alternatywnych rozwiązań i niestabilnych prognoz, szczególnie gdy dane wejściowe nie w pełni określają output.
Proponowana reformulacja traktuje strukturalne generowanie jako problem ambiguity-aware inference, gdzie celem jest rozumowanie na zbiorze wartościowych, strukturalnych wyników. Naukowcy wykazali, że standardowe treningi nieświadomie tłumią prawidłowe alternatywy, dlatego zamiast tego używają multi-valid learning framework, który świadomie zachowuje niejednoznaczność podczas optymalizacji modelu. Kluczowym elementem podejścia jest konstruowanie space'u kandydatów, reprezentacja każdego kandydata jako grafu odzwierciedlającego encje i ich relacje, oraz selekcja poprzez graph-based reasoning.
Rozumowanie grafowe umożliwia ocenę alignmentu semantycznego i spójności relacyjnej między konkurującymi interpretacjami na poziomie wyższym niż tradycyjne podejścia oparte na likelihood tokenów. Eksperymentalne rezultaty na benchmark'ach generowania strukturalnego wskazują na konsekwentne poprawy w dokładności, stabilności i odporności w warunkach różnych poziomów niejednoznaczności. Te ustalenia sugerują fundamentalną zmianę w modelowaniu ambiguity, co ma znaczenie dla takich zadań jak parsing, generowanie schematów czy ekstrakcja informacji.