연구는 그래프 추론 기반의 퍼지 인식 구조화 생성이라는 새로운 패러다임을 제안한다.

‘구조화된 생성의 재고: 그래프 기반 추론이 모호성을 해결할 수 있는가?’라는 제목의 연구 논문이 2026년 10월 26일 arXiv에 게재되었으며(번호 2610.31681v1), 구조화된 생성 작업에 대한 근본적인 성찰을 제시한다. 즉, 입력을 구조화된 출력으로 변환하는 과정을 유일하고 확정적인 사상적 매핑으로 간주해 온 전통적 가정을 버리고, 대신 언어가 내재한 다중의 합리적 해석 가능성을 모델링할 것을 제안한다.

논문은 기존 방법들이 단일 참조 감독(single-reference supervision)에 의존하여, 본래 공존해야 할 다양한 의미적으로 유효한 구조를 하나의 예측으로 강제로 압축함으로써, 입력 정보가 부족한 경우 출력이 불안정하고 일관성이 결여된다고 지적한다. 이에 따라 저자들은 해당 과제를 ‘모호성 인식 추론 문제’로 재정의하고, 단일한 답안을 예측하는 데 그치는 것이 아니라 의미적으로 타당하며 구조가 서로 다른 여러 후보 출력을 추론하고 평가하는 것을 목표로 삼았다.

이 목표를 달성하기 위해 연구진은 구조화된 출력을 갖는 후보 공간을 구성하고, 각 후보를 개체와 그 간의 관계를 포착하는 그래프로 표현한 뒤, 그래프 기반 추론 메커니즘을 통해 의미적 정합도와 관계 일관성을 평가함으로써 토큰 수준의 우도를 넘어서는 해석 간 비교를 지원하였다. 실험 결과, 이 방법은 여러 구조화된 생성 벤치마크에서 정확도, 출력 안정성, 그리고 다양한 모호성 수준의 입력에 대한 로버스트성을 크게 향상시킨 것으로 나타났다.