IJCAI

Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG

为什么社区重要：代理图RAG中的遍历上下文与溯源

Riccardo Terrenzi, Maximilian von Zastrow, Serkan Ayvaz

机构 * Centre for Industrial Software, University of Southern Denmark, Alsion 2, 6400 Sønderborg, Denmark（丹麦南部大学工业软件中心） 纠错

AI总结 本文探讨了代理图RAG中引用忠实性的轨迹层面问题，通过实验表明引用证据和遍历上下文都对答案准确性有影响。

Comments 7 pages, 2 figures, Submitted at IJCAI-ECAI 2026 Joint Workshop on GENAIK and NORA

COREKG: Coreset-Guided Personalized Summarization of Knowledge Graphs

COREKG: 基于coreset的个性化知识图谱摘要

Sohel Aman Khan, Raghava Mutharaju, Supratim Shit

机构 * Mehta Family School of Data Science and AI, IIT Palakkad, India（梅塔家族数据科学与人工智能学院，印度IIT帕拉卡德） ； Department of CSE, IIIT-Delhi, India（计算机科学与工程系，印度IIIT-德里） 纠错

AI总结 本文提出COREKG方法，通过coreset理论实现个性化知识图谱摘要，利用敏感度基于重要性采样生成相关三元组子集，提升查询回答准确性和结构覆盖，存储和查询效率显著提高。

Comments Accepted at IJCAI 2026

Probabilistic Verification of Recurrent Neural Networks for Single and Multi-Agent Reinforcement Learning

基于递归神经网络的单智能体与多智能体强化学习的概率验证

Luca Marzari, Enrico Marchesini

机构 * TU Wien（维也纳技术大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出RNN-ProVe框架，通过策略驱动采样和统计误差界估计，为递归神经网络策略提供更精确的概率保证，适用于部分可观测的单智能体和多智能体强化学习任务。

Comments Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI) 2026

Monitoring Data-aware Temporal Properties (Extended Version)

基于数据的时序属性监控（扩展版）

Alessandro Gianola, Marco Montali, Sarah Winkler

机构 * INESC-ID/Instituto Superior Técnico, Universidade de Lisboa, Portugal（葡萄牙里斯本大学理工学院/INESC-ID） ； Free University of Bozen-Bolzano, Italy（意大利博登-博洛尼亚自由大学） 纠错

AI总结 本文提出了一种新的监控框架，用于处理带有任意SMT理论的有限轨迹LTLfMT属性，结合自动机方法和自动推理技术，解决了时序逻辑的挑战，并首次识别出可判定的实用片段。

Comments This is the extended version of a paper accepted to IJCAI 2026

Woodelf++: A Fast and Unified Partial Dependence Plot Algorithm for Decision Tree Ensembles

Woodelf++: 一种用于决策树集成的快速且统一的偏倚依赖图算法

Ron Wettenstein, Alexander Nadel, Udi Boker

机构 * Reichman University（里奇曼大学） ； Faculty of Data and Decision Sciences（数据与决策科学学院） 纠错

AI总结 本文提出Woodelf++算法，用于高效计算决策树集成的偏倚依赖图、联合偏倚依赖图和任意顺序偏倚交互值，显著提升了计算效率。

Comments Extended version of the paper to appear at IJCAI 2026

SeesawNet: Towards Non-stationary Time Series Forecasting with Balanced Modeling of Common and Specific Dependencies

SeesawNet：面向非平稳时间序列预测的常见与特定依赖平衡建模

Hao Li, Lu Zhang, Liu Chong, Yankai Chen, Pengyang Wang, Yingjie Zhou

机构 * Sichuan University（四川大学） ； Chengdu University of Information Technology（成都信息科技大学） ； McGill University（麦吉尔大学） ； University of Macau（澳门大学） 纠错

AI总结 SeesawNet通过动态平衡常见和实例特定依赖，解决非平稳时间序列预测中的分布偏移问题，提出ASNA模块以捕捉常见和特定依赖，实验表明其优于现有方法。

Comments Accepted by IJCAI-ECAI 2026, the 35th International Joint Conference on Artificial Intelligence. Code is at https://github.com/dreamone-Lee/SeesawNet

ROAD: Adaptive Data Mixing for Offline-to-Online Reinforcement Learning via Bi-Level Optimization

ROAD: 通过双层优化实现的自适应数据混合用于离线到在线强化学习

Letian Yang, Xu Liu, Yiqiang Lu, Jian Liu, Weiqiang Wang, Shuai Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 本文提出ROAD框架，通过双层优化解决离线数据与在线策略间分布偏移问题，提升稳定性和性能。

Comments 20 pages, 9 figures, 7 tables. Accepted to IJCAI 2026