Text-to-AMRパースにおいて、現在の最先端の意味解析モデルは、複数の異なるモジュールやコンポーネントを統合した複雑なパイプラインを用いており、訓練データに基づいて構築された内容特化型ヒューリスティクスであるグラフ再カテゴリ化を活用している。しかし、分布外（out-of-distribution）の設定におけるグラフ再カテゴリ化の汎化能力は明らかでない。一方、パースの逆問題と見なせるAMR-to-Text生成の最先端手法は、より単純なseq2seqアーキテクチャに基づいている。本研究では、Text-to-AMRとAMR-to-Textを対称的な変換タスクとして定式化し、適切なグラフ線形化手法を設計し、事前学習済みエンコーダデコーダモデルを拡張することで、同一のseq2seqアプローチであるSPRING（\textit{acl{spring}}）により、両タスクで最先端の性能を達成できることを示した。本モデルは複雑なパイプラインや強力な仮定に基づくヒューリスティクスを必要とせず、むしろグラフ再カテゴリ化の必要性を排除した。さらに、標準ベンチマーク外ではこの手法が実際には有害であることを実証した。最終的に、英語AMR 2.0データセットにおいて、従来の最先端手法を大きく上回った。Text-to-AMRタスクではSmatchスコアで3.6ポイントの向上を達成し、AMR-to-TextタスクではBLEUスコアで11.2ポイントの改善を記録した。本研究のソフトウェアは、github.com/SapienzaNLP/springにて公開している。