University of Pennsylvania（宾夕法尼亚大学）

CORE-T: COherent REtrieval of Tables for Text-to-SQL

CORE-T: 面向文本到SQL的表格连贯检索

Hassan Soliman, Vivek Gupta, Dan Roth, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（普适知识处理实验室（UKP实验室），计算机科学系 TU Darmstadt 和应用网络安全国家研究中心 ATHENE，德国） ； Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出CORE-T框架，通过LLM生成元数据和预计算兼容性缓存，在无需训练的情况下从异构表集合中高效检索连贯可连接的表集合，提升表选择F1最多22.7点并减少40%的表数量。

Comments Accepted at EMNLP Main 2026. Camera-ready version with revisions following peer review. Code and data available at: https://github.com/UKPLab/emnlp2026-core-t

Different Demographic Cues Yield Inconsistent Conclusions About LLM Personalization and Bias

不同的人口统计线索导致对LLM个性化和偏见的结论不一致

Manuel Tonneau, Neil K. R. Sehgal, Niyati Malhotra, Sharif Kazemi, Victor Orozco-Olvera, Ana María Muñoz Boudet, Lakshmi Subramanian, Samuel P. Fraiberger, Sharath Chandra Guntuku, Valentin Hofmann

机构 * World Bank（世界银行） ； University of Oxford（牛津大学） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； LMU Munich（慕尼黑大学） ； Allen Institute for AI（人工智能研究院） 纠错

AI总结 研究通过1480万个提示测试了人口统计线索对LLM响应的影响，发现同一群体的不同线索导致响应变化不一致，偏见结论不稳定，揭示了身份线索与语言信号的关系。

Comments Accepted to EMNLP 2026 (Main Conference)

Real-Time Deadlines Reveal Fragile Temporal Adaptation in LLM Strategic Dialogues

实时截止时间揭示了LLM战略对话中的时间意识失败

Neil K. R. Sehgal, Sharath Chandra Guntuku, Lyle Ungar

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究发现LLM在时间敏感任务中存在时间跟踪不足的问题，导致在实时截止条件下表现不佳，但能在回合制限制下表现良好。

Journal ref 2026 Conference on Empirical Methods in Natural Language Processing

Test of partial effects for Frechet regression on Bures-Wasserstein manifolds

关于Bures-Wasserstein流形上Fréchet回归的偏效应检验

Haoshu Xu, Hongzhe Li

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本研究针对响应位于Bures-Wasserstein流形的Fréchet回归提出偏效应检验，建立其渐近性质并验证有限样本性能，将其应用于分析年龄对单细胞数据基因共表达结构的影响。

Optimal Estimation of Watermark Proportions in Hybrid AI-Human Texts

混合AI-人类文本中水印比例的最优估计

Xiang Li, Garrett Wen, Weiqing He, Jiayuan Wu, Qi Long, Weijie J. Su

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） 纠错

AI总结 本文针对混合AI-人类文本的水印比例估计问题，基于核心统计量构建混合模型，提出高效估计量，证明其达到极小极大下界，在合成数据与开源模型生成的混合文本上均实现高估计精度。