Fudan University（复旦大学）

TransXion: A High-Fidelity Graph Benchmark for Realistic Anti-Money Laundering

TransXion: 一种高保真的图基准用于现实中的反洗钱

Keyang Chen, Mingxuan Jiang, Yongsheng Zhao, Zeping Li, Zaiyuan Chen, Weiqi Luo, Zhixin Li, Sen Liu, Yinan Jing, Guangnan Ye, Xihong Wu, Hongfeng Chai

机构 * 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） ； Institute of Financial Technology, Fudan University（复旦大学金融技术研究所） ； Peking University（北京大学） 纠错

AI总结 TransXion通过整合正常活动的profile-aware模拟与非模板生成的非法子图，解决现有交易图数据集的稀疏性和模板偏差问题，提供更真实的反洗钱检测测试环境。

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), 8707-8718, 2026

SEMixer: Semantics Enhanced MLP-Mixer for Multiscale Mixing and Long-term Time Series Forecasting

SEMixer: 语义增强的MLP-Mixer用于多尺度混合和长期时间序列预测

Xu Zhang, Qitong Wang, Peng Wang, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence Fudan University（上海数据科学 key 实验室，复旦大学计算机科学与人工智能学院） ； Harvard University（哈佛大学） 纠错

AI总结 提出SEMixer模型，通过随机注意力机制和多尺度渐进混合链，有效建模多尺度时间依赖并解决语义鸿沟问题，在10个公开数据集和真实无线网络数据上取得优异性能。

Comments This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/SEMixer

Linguistics and Human Brain: A Perspective of Computational Neuroscience

语言学与人脑：计算神经科学的视角

Fudong Zhang, Bo Chai, Yujie Wu, Wai Ting Siok, Nizhuan Wang

机构 * Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University（人工智能与机器人研究院，智能机器人与先进制造学院，复旦大学） ； Department of Language Science and Technology, The Hong Kong Polytechnic University（语言科学与技术系，香港理工大学） ； Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学） 纠错

AI总结 本文从计算神经科学视角，通过建模、模拟和数据分析将语言层次动态结构转化为可测试神经模型，并利用深度学习和大语言模型探索语言处理的神经基础。

Journal ref Cognitive Neurodynamics, 2026

Limited Reference, Reliable Generation: A Two-Component Framework for Tabular Data Generation in Low-Data Regimes

有限参考，可靠生成：低数据场景下的表格数据生成双组件框架

Mingxuan Jiang, Keyang Chen, Yongxin Wang, Yongsheng Zhao, Ziyue Dai, Yicun Liu, Zeping Li, Qiuyang Zhang, Hongyi Nie, Hongbin Zhu, Sen Liu, Guangnan Ye, Hongfeng Chai

机构 * School of Computer Science, Fudan University（复旦大学计算机科学学院） ； Institute of Financial Technology, Fudan University（复旦大学金融技术研究院） ； Northwestern Polytechnical University（西北工业大学） 纠错

AI总结 提出ReFine框架，通过从可解释模型提取符号规则嵌入提示引导生成，并采用双粒度过滤减少局部冗余，在低数据场景下实现稳健的表格数据生成，平均提升7.48%。