EMNLP

RAVEN++: Pinpointing Fine-Grained Violations in Advertisement Videos with Active Reinforcement Reasoning

RAVEN++: 通过主动强化推理精准定位广告视频中的细粒度违规

Deyi Ji, Yuekui Yang, Liqun Liu, Peng Shu, Haiyang Wu, Shaogang Tang, Xudong Chen, Shaoping Ma, Tianrun Chen, Lanyun Zhu

机构 * Tencent（腾讯） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 RAVEN++通过主动强化推理提升广告视频中细粒度违规检测的精度与泛化能力

Comments EMNLP 2025 (Oral, Industry Track)

Skeletons Matter: Dynamic Data Augmentation for Text-to-Query

骨架很重要：面向文本到查询的动态数据增强

Yuchen Ji, Bo Xu, Jie Shi, Jiaqing Liang, Deqing Yang, Yu Mao, Hai Chen, Yanghua Xiao

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； School of Computer Science and Technology, Donghua University（东华大学计算机科学与技术学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Ant Group（蚂蚁集团） ； Shanghai Key Laboratory of Data Science（上海数据科学 key laboratory） 纠错

AI总结 本文提出一种动态数据增强框架，通过识别查询骨架作为共同优化目标，提升文本到查询任务的泛化能力和效率。

Comments Accepted at EMNLP 2025

Personalized LLM Decoding via Contrasting Personal Preference

通过对比个人偏好实现个性化大语言模型解码

Hyungjune Bu, Chanjoo Jung, Minjae Kang, Jaehyung Kim

机构 * Yonsei University（延世大学） ； Opt-AI Inc.（Opt-AI公司） 纠错

AI总结 本文提出CoPe方法，通过奖励引导解码实现个性化，提升ROUGE-L指标10.57%。

Comments EMNLP 2025 Main

Don't Take the Premise for Granted: Evaluating the Premise Critique Ability of Large Language Models

不要轻信前提：评估大语言模型的前提批判能力

Jinzhe Li, Gengxu Li, Yi Chang, Yuan Wu

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China（知识驱动人机智能工程研究中心，教育部，中国） ； International Center of Future Science, Jilin University（未来科学国际中心，吉林大学） 纠错

AI总结 本研究提出前提批判基准，评估大语言模型在面对错误前提时的批判能力，揭示其在推理与前提批判上的差异及改进需求。

Comments EMNLP 2025 Findings camera-ready version

Safeguarding Privacy of Retrieval Data against Membership Inference Attacks: Is This Query Too Close to Home?

在成员推断攻击中保护检索数据的隐私：这个查询太接近家了吗？

Yujin Choi, Youngjoo Park, Junyoung Byun, Jaewook Lee, Jinseong Park

AI总结 本文提出了一种基于相似性的成员推断攻击检测框架，用于保护RAG系统中检索数据的隐私，通过检测和隐藏策略有效防御攻击。

Comments Accepted for EMNLP findings 2025

Enhancing Domain-Specific Encoder Models with LLM-Generated Data: How to Leverage Ontologies, and How to Do Without Them

通过LLM生成数据增强领域特定编码器模型：如何利用本体论，以及如何不依赖本体论

Marc Brinner, Tarek Al Mustafa, Sina Zarrieß

机构 * Computational Linguistics Department of Linguistics（计算语言学系） ； Institute of Computer Science（计算机科学研究所） ； Bielefeld University（比勒菲尔德大学） 纠错

AI总结 通过LLM生成数据增强领域特定编码器模型，利用本体论或自动提取概念，实现低资源环境下的高效预训练。

Comments Published in the Findings of the Association for Computational Linguistics: EMNLP 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025 (pp. 22740-22754). Association for Computational Linguistics

FoREST: Frame of Reference Evaluation in Spatial Reasoning Tasks

FoREST: 空间推理任务中的参考框架评估

Tanawan Premsri, Parisa Kordjamshidi

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Michigan State University（密歇根州立大学） 纠错

AI总结 FoREST基准通过空间引导提示法提升LLMs在空间推理任务中的参考框架理解能力。

Comments 10 pages, 3 Figures, 4 Tables, EMNLP-2025 Main (Oral)

Sentence Smith: Controllable Edits for Evaluating Text Embeddings

Sentence Smith: 可控编辑用于评估文本嵌入

Hongji Li, Andrianos Michail, Reto Gubelmann, Simon Clematide, Juri Opitz

机构 * University of Zurich（苏黎世大学） 纠错

AI总结 Sentence Smith通过可控编辑生成文本，用于评估文本嵌入模型的细粒度性能。

Comments EMNLP 2025 (main), this version fixes a subscript typo in Eq 1

Can Code-Switched Texts Activate a Knowledge Switch in LLMs? A Case Study on English-Korean Code-Switching

代码切换文本能否在LLMs中激活知识切换？一种英语-韩语代码切换案例研究

Seoyeon Kim, Huiseo Kim, Chanjun Park, Jinyoung Yeo, Dongha Lee

AI总结 本研究通过EnKoQA数据集探讨代码切换是否能激活LLMs中的知识，发现其在低资源语言任务中具有潜力。

Comments Accepted to EMNLP 2025 Findings

Plugging Schema Graph into Multi-Table QA: A Human-Guided Framework for Reducing LLM Reliance

将模式图嵌入多表问答：一种减少大语言模型依赖的人工引导框架

Xixi Wang, Miguel Costa, Jordanka Kovaceva, Shuai Wang, Francisco C. Pereira

机构 * Chalmers University of Technology（查尔姆斯理工大学） 纠错

AI总结 本文提出一种基于图的框架，利用人工整理的关系知识减少对大语言模型的依赖，有效解决多表问答中复杂表格模式链接的问题。

Comments Accepted to EMNLP 2025 findings

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025

Estimating LLM Consistency: A User Baseline vs Surrogate Metrics

估计LLM一致性：用户基准与替代指标

Xiaoyuan Wu, Weiran Lin, Omer Akgul, Lujo Bauer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； RSAC Labs（RSAC实验室） 纠错

AI总结 本文提出了一种基于logits的集成方法，用于估计LLM一致性，并展示了其在匹配人类评分方面与现有最佳指标相当。

Comments Published as a main conference paper at EMNLP 2025

Using tournaments to calculate AUROC for zero-shot classification with LLMs

利用竞赛计算零样本分类中LLM的AUROC

WonJin Yoon, Ian Bulovic, Timothy A. Miller

机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 本文提出利用LLM进行零样本分类的AUROC计算，通过成对比较和Elo评分系统提升分类性能并提供更多信息。

Comments The 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025, Findings). The code is available at: https://github.com/Machine-Learning-for-Medical-Language/cnlp_llm

Journal ref In Findings of the Association for Computational Linguistics: EMNLP 2025, pages 23583-23591, Suzhou, China. Association for Computational Linguistics

DCIS: Efficient Length Extrapolation of LLMs via Divide-and-Conquer Scaling Factor Search

DCIS: 通过分而治之的缩放因子搜索实现LLM的高效长度外推

Lei Yang, Shaoyang Xu, Jianxiang Peng, Shaolin Zhu, Deyi Xiong

机构 * TJUNLP Lab, College of Intelligence and Computing, Tianjin University（天津大学智能计算学院） ； School of New Media and Communication, Tianjin University（天津大学新媒体与传播学院） 纠错

AI总结 DCIS通过分而治之的缩放因子搜索方法，高效扩展LLM的上下文长度，降低微调成本并提升长上下文泛化能力。

Comments EMNLP 2025 Main