EMNLP - arXivDaily 期刊&会议

2508.21083 2025-11-21 cs.CL cs.AI

CoBA: Counterbias Text Augmentation for Mitigating Various Spurious Correlations via Semantic Triples

CoBA: 通过语义三元组缓解各种虚假相关性的反偏文本增强

Kyohoon Jin, Juhwan Choi, Jungmin Yun, Junho Lee, Soojin Jang, Youngbin Kim

机构 * DATUMO ； AITRICS ； Brainventures ； Graduate School of Advanced Imaging Sciences, Multimedia and Film, Chung-Ang University（Chung-Ang大学高级影像科学、多媒体与电影研究生院）； Department of Artificial Intelligence, Chung-Ang University（Chung-Ang大学人工智能系）

AI总结 CoBA通过语义三元组层面的反偏增强，有效缓解多种虚假相关性，提升模型鲁棒性和任务性能。

Comments Accepted at EMNLP 2025

2503.01814 2025-11-21 cs.IR cs.AI cs.CL cs.LG

LLMInit: A Free Lunch from Large Language Models for Selective Initialization of Recommendation

LLMInit: 从大型语言模型中获得免费午餐：用于推荐系统选择性初始化

Weizhi Zhang, Liangwei Yang, Wooseong Yang, Henry Peng Zou, Yuqing Liu, Ke Xu, Sourav Medya, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校）； Salesforce AI Research（Salesforce AI研究）

AI总结 LLMInit通过选择性初始化策略将预训练LLM嵌入整合到协同过滤模型中，提升推荐性能并降低计算成本。

Comments Accepted in EMNLP 2025 Industry Track

2505.17747 2025-11-21 cs.CL

Discriminating Form and Meaning in Multilingual Models with Minimal-Pair ABX Tasks

通过最小对ABX任务区分多语言模型中的形式与意义

Maureen de Seyssel, Jie Chi, Skyler Seto, Maartje ter Hoeve, Masha Fedzechkina, Natalie Schluter

机构 * Apple（苹果公司）

AI总结通过最小对ABX任务研究多语言模型中形式与意义的区分能力，揭示了语言识别和语义识别在训练过程中的变化规律。

Comments Comments: Published in EMNLP 2025. https://aclanthology.org/2025.emnlp-main.1210.pdf

2503.16356 2025-11-21 cs.CL cs.AI cs.CV cs.IR cs.LG

CaKE: Circuit-aware Editing Enables Generalizable Knowledge Learners

CaKE：电路感知编辑实现通用知识学习

Yunzhi Yao, Jizhan Fang, Jia-Chen Gu, Ningyu Zhang, Shumin Deng, Huajun Chen, Nanyun Peng

机构 * Zhejiang University（浙江大学）； National University of Singapore（新加坡国立大学）； University of California, Los Angeles（美国加州大学洛杉矶分校）

AI总结 CaKE通过电路感知编辑提升LLMs对更新知识的多跳推理能力，实现20%的准确率提升并降低内存消耗

Comments EMNLP 2025

2501.09751 2025-11-21 cs.CL cs.AI cs.HC cs.IR cs.LG

OmniThink: Expanding Knowledge Boundaries in Machine Writing through Thinking

OmniThink: 通过思考扩展机器写作的知识边界

Zekun Xi, Wenbiao Yin, Jizhan Fang, Jialong Wu, Runnan Fang, Yong Jiang, Pengjun Xie, Fei Huang, Huajun Chen, Ningyu Zhang

机构 * Zhejiang University（浙江大学）； Tongyi Lab, Alibaba Group（阿里云实验室，阿里巴巴集团）； Zhejiang Key Laboratory of Big Data Intelligent Computing（浙江大数据智能计算重点实验室）

AI总结 OmniThink通过模拟人类思考过程，提升机器写作的知识密度和原创性，解决传统方法在生成长文时的不足。

Comments EMNLP 2025