OYXOY: A Modern NLP Test Suite for Modern Greek
Aalto University(阿尔托大学);University of Crete(克里特大学)
该研究推出面向现代希腊语的OYXOY NLP测试套件,含四项专家验证的任务,提出多标签推理数据集与低成本低资源语料构建方法,实验验证了任务难度与发展必要性。
2024-01-26 cs.CL
SOMA-SQL: Resolving Multi-Source Ambiguity in NL-to-SQL via Synthetic Log and Execution Probing
Oracle AI(甲骨文人工智能实验室)
提出SOMA-SQL框架,通过合成查询日志和歧义驱动探测自动解决自然语言到SQL中的多源歧义,在6个基准上平均执行准确率提升13.0%。
2026-06-11 cs.CL
It Depends: Resolving Referential Ambiguity in Minimal Contexts with Commonsense Knowledge
School for Computation, Information and Technology(计算、信息与技术学院);Technical University of Munich(慕尼黑技术大学)
本文研究大语言模型在多轮对话中利用常识消解指称歧义的能力,发现现有模型倾向单一解释或罗列所有指称而非模糊限定或澄清,且简化语言请求会加剧该问题;通过直接偏好优化微调Llama-3.1-8B可显著改善各类请求下的歧义消解表现。
2025-09-19 cs.CL
Teaching Vision-Language Models to Ask: Resolving Ambiguity in Visual Questions
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Wuhan AI Research(武汉人工智能研究院)
针对VQA中用户提问歧义问题,现有方法多依赖重述问题而忽视交互反馈。本文提出ClearVQA基准,评估VLMs通过交互澄清歧义的能力,涵盖三类常见歧义及多种VQA场景。
2025-09-16 cs.CL cs.CV
Detecting and resolving spatial ambiguity in text using named entity extraction and self learning fuzzy logic techniques
Sathyabama University(萨蒂亚巴马大学)
信息抽取识别文档中有用的相关文本,并将非结构化文本转换为可加载到数据库表中的形式。命名实体抽取是信息抽取过程中的一项主要任务,是将词分配到一个或多个语义类或一个默认的非实体类的分类问题。一个词,可以属于一个或多个类,其中有一定程度的不确定性,可以最好地处理的自学模糊逻辑技术。本文提出了一种利用命名实体抽取技术和自学习模糊逻辑技术检测文本中空间不确定性的存在并处理空间歧义的方法
2013-03-03 cs.CL cs.IR
Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出任务无关框架,通过意图熵估计决定何时向用户提问澄清,在问答、机器翻译和自然语言推理中显著提升性能。
2023-11-16 cs.CL
nvBench 2.0: Resolving Ambiguity in Text-to-Visualization through Stepwise Reasoning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
nvBench 2.0通过分步推理解决文本到可视化中的歧义问题,提出Step-Text2Vis模型在模糊场景中表现更优。
2026-01-04 cs.AI cs.CL
Casual as an Anchor: Resolving Supervision Misalignment in Formality Transfer Dataset
Seoul National University(首尔国立大学)
本文提出将语体转换重新概念化为一个分级维度,引入三层次谱系(非正式、随意、正式),并构建3LF数据集以解决现有基准中监督信号偏差导致的非正式到正式转换失败问题。
2026-06-01 cs.CL
Towards Robust Evaluation of Visual Activity Recognition: Resolving Verb Ambiguity with Sense Clustering
University of Cincinnati(辛辛那提大学)
本文提出基于语义聚类的视觉活动识别评估方法,通过解决动词歧义问题提升评估的鲁棒性。
2026-01-25 cs.AI cs.CL cs.CV
LaViSA: A Language and Vision Structural Ambiguity Benchmark
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Guardian Robot Project RIKEN(RIKEN守护机器人项目);The University of Osaka(大阪大学)
提出LaViSA基准,通过七类歧义句及对应图像评估视觉语言模型利用视觉场景解决结构歧义的能力,实验显示现有模型虽能部分利用视觉信息,但在特定歧义类型和细微语义区分上仍有局限。
2026-06-19 cs.CL
PARTNR: Pick and place Ambiguity Resolving by Trustworthy iNteractive leaRning
Delft University of Technology(代尔夫特理工大学)
最近的几项工作在将基于语言的人类命令和图像场景观察映射到直接机器人可执行策略(例如,拾取和放置姿势)。然而,这些方法不考虑训练策略的不确定性,并且简单地总是执行当前策略建议的最可能的动作。这使得它们容易受到领域转移的影响,并且在所需的演示数量方面效率低下。我们扩展了以前的工作,并提出了PARTNR算法,可以检测模糊的训练策略,通过分析多种形式的拾取和放置姿势,使用拓扑分析。PARTNR采用自适应的、基于灵敏度的门控功能,决定是否需要额外的用户演示。用户演示被聚合到数据集并用于后续训练。通过这种方式,策略可以迅速适应域转移,并且可以最大限度地减少训练有素的策略所需的演示次数。自适应阈值使得能够实现用户可接受的模糊性水平,以自主地执行策略,从而增加系统的可信度。我们展示了合作伙伴在桌面上的选择和放置任务的性能。
2022-11-15 cs.AI cs.CL cs.HC
Dual-Cluster Memory Agent: Resolving Multi-Paradigm Ambiguity in Optimization Problem Solving
School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院);Ministry of Education Key Laboratory of Intelligent Networks and Network Security, China(教育部智能网络与网络security重点实验室);Shaanxi Province Key Laboratory of Big Data Knowledge Engineering, China(陕西省大数据知识工程重点实验室)
提出双簇记忆智能体(DCM-Agent),通过无训练方式利用历史解决方案构建双簇记忆,并采用记忆增强推理动态导航解路径,在七个优化基准上平均性能提升11%-21%。
2026-06-02 cs.CL
Axis-Aligned Semantics for ODRL: Resolving Dimensional Ambiguity in Policy Constraints
RWTH Aachen University(亚琛工业大学);Fraunhofer FIT(弗劳恩霍夫研究所);University of Galway(Galway大学);Vienna University of Economics and Business (WU)(维也纳大学)
针对ODRL中多轴操作数导致的维度歧义问题,提出轴分解方法,将约束转化为每个轴上的标量操作,从而将冲突检测简化为盒比较,并定义三值语义,通过基准测试验证了方法的正确性和兼容性。
2026-05-23 cs.CL cs.LO
Correct-Detect: Balancing Performance and Ambiguity Through the Lens of Coreference Resolution in LLMs
Portland State University(波特兰州立大学);Miami University(迈阿密大学)
本文研究 LLM 在共指消解中的消歧与歧义检测能力,发现二者难以通过最少提示同时兼顾,并提出 CORRECT-DETECT 权衡刻画该性能冲突。
2025-10-21 cs.AI cs.CL
Resolving Regular Polysemy in Named Entities
National Taiwan University(国立台湾大学)
本文提出组合式 WSD 模型,将专有名称的规则多义形式化为点对象,并结合 CWN 释义与例句,在稀疏数据上同时实现普通名词和专有名词的竞争性消歧效果。
2024-01-18 cs.CL
Interactive-Chain-Prompting: Ambiguity Resolution for Crosslingual Conditional Generation with Interaction
Google Research(谷歌研究院);Mila(米拉研究所);Polytechnique Montreal(蒙特利尔综合理工学院)
跨语言条件生成(例如,机器翻译)长期以来一直享受着缩放的好处。尽管如此,仍然有一些问题是单靠规模可能无法克服的。例如,一种语言的源查询可能会产生另一种语言的几个翻译选项,而无需任何额外的上下文。然而,只有一种翻译是可以接受的,这取决于译者的偏好和目标。选择不正确的选项可能会严重影响翻译的实用性和质量。我们提出了一种新的方法互动链提示-一系列的问题,回答和生成中间步骤之间的翻译模型和用户模型-减少翻译成一系列的子问题解决歧义,然后解决这些子问题之前,产生最终的文本要翻译。为了检查歧义解决能力和评估翻译质量,我们创建了一个数据集,展示了不同的语言现象,这导致了四种语言的推理歧义。为了鼓励在这个方向上的进一步探索,我们发布了所有数据集。我们注意到,交互式链提示,使用八个交互作为范例,始终超过基于直接存取背景信息,以解决歧义的方法。
2023-01-24 cs.AI cs.CL cs.LG
Lexical Disambiguation in Natural Language Questions (NLQs)
Islamic Science University of Malaysia(马来西亚伊斯兰科学大学);Zarqa University(扎尔卡大学)
问题处理是问答应用中的一个基本环节,其质量直接影响问答应用的性能。如何从自然语言问句中提取语义是问句处理的主要难题。人类的语言是模棱两可的。歧义可能出现在两个层面上:词汇和句法。本文提出了一种新的方法来解决词汇歧义问题,通过整合上下文知识和概念知识的领域,到浅层自然语言处理(SNLP)技术。概念知识使用本体建模,而上下文知识从WordNet获得,并基于问题中的邻近词确定。该方法将被应用到一个大学的QA系统。
2017-09-26 cs.AI cs.CL
Small Language Model Helps Resolve Semantic Ambiguity of LLM Prompt
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院);Department of Electronic Engineering, Kyung Hee University(庆熙大学电子工程系)
本文提出通过显式提示消歧机制解决LLM提示的语义歧义问题,利用小语言模型高效计算提升推理性能,实验表明方法在多个基准上提升2.5点,成本仅0.02美元。
2026-04-25 cs.AI cs.CL
Are We Asking the Right Questions? On Ambiguity in Natural Language Queries for Tabular Data Analysis
Centrum Wiskunde & Informatica(数学与信息学中心);University of Amsterdam(阿姆斯特丹大学)
本文探讨了自然语言查询中模糊性的合作交互机制,提出基于共享责任的框架,用于设计和评估表格数据分析的自然语言接口。
2026-03-03 cs.AI cs.CL cs.DB
A Survey on Lexical Ambiguity Detection and Word Sense Disambiguation
Informatics Institute of Technology(信息学技术学院);Swansea University(斯旺西大学)
本文综述了自然语言处理中的词义消歧技术,涵盖深度学习与知识图谱方法,介绍了词义扩展等前沿技术及其在生物医学等领域的应用,并指出了语料稀缺等挑战与未来发展方向。
2024-03-24 cs.CL
MUCAR: Benchmarking Multilingual Cross-Modal Ambiguity Resolution for Multimodal Large Language Models
提出MUCAR基准,通过多语言和双重歧义数据集评估多模态大语言模型的跨模态歧义消解能力,发现现有模型与人类水平存在显著差距。
2025-09-26 cs.CL cs.LG
Harnessing the Intrinsic Knowledge of Pretrained Language Models for Challenging Text Classification Settings
Toyota Technological Institute at Chicago(芝加哥丰田技术研究所)
本论文利用预训练语言模型的内在知识,通过上下文词表示、领域无关标签描述微调及优化上下文学习示例选择,解决了完形填空干扰项选择、未见标签泛化和提示敏感性三个文本分类挑战。
2024-08-28 cs.AI cs.CL
Large Language Models in Resolving Contextual Knowledge Conflicts
Northwestern University(西北大学);New York University(纽约大学);University of Florida(佛罗里达大学)
该研究针对上下文知识内部的冲突,构建了ContextConflict数据集,分析9种LLM的冲突处理能力,揭示其偏向早期证据的偏差,并提出无训练无标签的引导方法提升冲突解决效果。
2026-09-04 cs.CL
Why Did the Chicken Cross the Road? Rephrasing and Analyzing Ambiguous Questions in VQA
Johns Hopkins University(约翰斯·霍普金斯大学)
本文构建并标注 VQA 歧义问题数据集,提出与语言学对齐的歧义原因本体,并训练英文问题生成模型,在无直接监督下利用答案分组信息生成歧义更少的问题。
2023-06-01 cs.CL
Resolving Word Vagueness with Scenario-guided Adapter for Natural Language Inference
Fudan University(复旦大学);University of Trento(特伦托大学)
针对传统NLI模型因缺乏情境视觉信息导致词语语义模糊、推理受限的问题,提出融合预训练语言知识与视觉信息的ScenaFuse适配器,通过交互与融合模块实现模态协同,经基准实验验证可有效提升NLI性能。
2024-05-21 cs.CL
PleaSQLarify: Visual Pragmatic Repair for Natural Language Database Querying
ETH Zurich(苏黎世联邦理工学院)
PleaSQLarify通过视觉交互和可解释决策变量实现自然语言数据库查询中的语用修复,提升用户对歧义的控制与解决效率。
2026-03-02 cs.AI cs.CL cs.HC
Agent-Based Detection and Resolution of Incompleteness and Ambiguity in Interactions with Large Language Models
BITS Pilani, K K Birla Goa Campus(比特学院,KK Birla Goa校区);PandaByte Innovations Pvt Ltd(PandaByte创新私人有限公司);RMIT University(皇家墨尔本理工学院)
本文提出用零样本 ReAct 智能体作为转换器,在大语言模型问答中自动检测并消解问题的不完整性与歧义,通过分类-消解-回答三动作机制缩短交互、提升答案质量并实现可解释消解。
2025-07-04 cs.AI cs.CL cs.IR