[論文レビュー] The Generation-Recognition Asymmetry: Six Dimensions of a Fundamental Divide in Formal Language Theory

Romain Peyrichou|arXiv (Cornell University)|Mar 10, 2026

Natural Language Processing Techniques被引用数 0

ひとこと要約

この論文は、生成、認識、推論を、文法が文字列を生成する方法とそれを解析する方法の六次元の非対称性として扱い、複雑性、曖昧性、方向性、情報、文法推論、時間性を分析します。

ABSTRACT

Every formal grammar defines a language and can in principle be used in three ways: to generate strings (production), to recognize them (parsing), or -- given only examples -- to infer the grammar itself (grammar induction). Generation and recognition are extensionally equivalent -- they characterize the same set -- but operationally asymmetric in multiple independent ways. Inference is a qualitatively harder problem: it does not have access to a known grammar. Despite the centrality of this triad to compiler design, natural language processing, and formal language theory, no survey has treated it as a unified, multidimensional phenomenon. We identify six dimensions along which generation and recognition diverge: computational complexity, ambiguity, directionality, information availability, grammar inference, and temporality. We show that the common characterization "generation is easy, parsing is hard" is misleading: unconstrained generation is trivial, but generation under constraints can be NP-hard. The real asymmetry is that parsing is always constrained (the input is given) while generation need not be. Two of these dimensions -- directionality and temporality -- have not previously been identified as dimensions of the generation-recognition asymmetry. We connect the temporal dimension to the surprisal framework of Hale (2001) and Levy (2008), arguing that surprisal formalizes the temporal asymmetry between a generator (surprisal = 0) and a parser that predicts under uncertainty (surprisal > 0). We review bidirectional systems in NLP and observe that bidirectionality has been available for fifty years yet has not transferred to most domain-specific applications. We conclude with a discussion of large language models, which architecturally unify generation and recognition while operationally preserving the asymmetry.

研究の動機と目的

• 生成と認識が逸脱する六つの独立した次元を特定する。
• 推論を第三の軸として組み込み、非対称性を深める。
• 構造的制約を強調することで、生成は容易で認識が難しいという単純な見方に挑戦する。
• 驚異性理論を非対称性の時間的次元に結びつける。
• 双方向システムを調査し、ドメイン特異的文法への移行が限られる理由を説明する。
• 反論に対処し、大規模言語モデルに対する含意を論じる。

提案手法

• 形式文法の中で生成、認識、推論を定義し、それらの拡張的同値性と運用上の非対称性を明確にする。
• formal argumentsとランニング例を用いて、D1–D6の六つの非対称次元を構築する。
• ショannon情報理論、チョムスキー階層、モリスのセミオティクスを統合して分析の地盤を固める。
• 方向性と非対称性を示すため、分析・生成・双方向システムを領域横断で概観する。
• 文法クラスとタスクタイプを跨いだ生成と認識を対比する複雑さのヒートマップを提示する。
• NLPシステムにおける双方向性を論じ、ドメイン特異的応用で双方向文法の採用が限定的である理由を評価する。

実験結果

リサーチクエスチョン

• RQ1 形式文法における生成と認識の運用的分岐を特徴づける六つの次元は何か。
• RQ2 推論（文法推定）は生成認識の非対称性をどのように拡張・深化させるか。
• RQ3 情報理論、統語的複雑性、セミオティクスは異なる領域での非対称性をどう照らし出すか。
• RQ4 双方向文法が非対称性を緩和できる条件は何か、なぜ領域間で採用が uneven であるのか。
• RQ5 六つの次元は大規模言語モデルとその生成認識の相互作用にどんな影響を与えるか。

主な発見

• 生成は普遍的に容易ではない。制約された生成は、タスクと文法表現力に応じて認識と同様に難しくなり得る。
• 認識の複雑さは文法の表現力とともに増大し、タスクや文法タイプに応じて線形から決定不能などの様々な複雑さクラスになる。
• 方向性、時間性、そして新たに特定された二つの次元（D3とD6）が非対称性を形作り、解析戦略と驚異性理論と結びつく。
• 双方向文法システムは存在する（例：GF、DCG、KAMP）が、宣言性要件と計算コストのため領域に限定される。
• 推論（文法推定）は最も難しい軸を表し、単一システムで生成または認識と結びつくことは稀であり、基本的な第三の次元を強調する。
• 大規模言語モデルは生成と認識を構造上統一するように見えるが、運用上の非対称性を維持する。