Beyond Instance-Level Alignment and Uniformity: Semantic Factor Learning for Collaborative Filtering
超越实例级对齐与均匀性：面向协同过滤的语义因子学习
AI总结 提出语义因子增强的对齐与均匀性框架（SaFeAU），通过语义因子路由、匹配和对齐，缓解假阴性问题并捕获高阶协同信号，在稀疏数据集上优于现有方法。
Comments Accepted by KDD 2026
期刊&会议
KDD
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
Fighting Numerical Hallucinations via Data-centric Compilation for Online Financial QA
通过数据为中心的编译对抗在线金融问答中的数值幻觉
机构 * Shenzhen Technology University（深圳科技大学） ； FiT, Tencent（腾讯金融科技部） ； South China University of Technology（华南理工大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huazhong University of Science and Technology（华中科技大学） ； McGill University（麦吉尔大学）
AI总结 提出数据为中心推理编译器（DCRC），通过对抗数据构建、多阶段训练和编译执行推理流程，解决在线金融问答中检索增强生成面临的噪声敏感、计算脆弱和可审计性危机，实现可靠的数值推理。
Comments Accepted by KDD 2026 ADS track
AnchorSteer: Self-Discovered Concept Injection for Structure-Preserving Music Editing
AnchorSteer: 自发现概念注入用于结构保持的音乐编辑
机构 * National Taiwan University（国立台湾大学）
AI总结 提出AnchorSteer框架，通过结构锚定与自发现语义注入解耦语义-结构纠缠，实现高保真结构保持下的显著语义变换。
Comments Accepted by the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
GraphARC: A Comprehensive Benchmark for Graph-Based Abstract Reasoning
GraphARC：基于图的抽象推理综合基准
机构 * ETH Z\"urich Z\"urich Switzerland ； ETH Z\"urich
AI总结 提出GraphARC基准，将抽象推理扩展到图结构数据，通过少样本变换学习任务评估模型在局部、全局和层次图变换上的泛化能力，并揭示语言模型的理解-执行差距和规模扩展障碍。
Comments Accepted at KDD 2026 Datasets and Benchmarks Track
AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification
AbstainGNN：教会图神经网络在图分类中弃权
机构 * Institute of Information Engineering, Chinese Academy of Sciences（信息工程研究所，中国科学院） ； School of Mathematics and Statistics, Shandong University（数学与统计学学院，山东大学） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（数学与系统科学学院，中国科学院） ； School of Information and Intelligent Science, Donghua University（信息与智能科学学院，东华大学） ； TikTok, ByteDance Inc.（TikTok，字节跳动公司） ； School of Cyber Science and Engineering, Wuhan University（网络安全与工程学院，武汉大学） ； Cyberspace Institute of Advanced Technology, Guangzhou University（空域技术高级研究所，广州大学） ； Griffith University（格里菲斯大学）
AI总结 提出AbstainGNN框架，通过理论驱动的弃权机制让GNN在不确定时拒绝预测，避免错误决策，并基于PAC-Bayes理论优化分类与弃权权衡。
Comments Accepted at KDD 2026
SemStruct: Contextualizing Semantic Embeddings with Structural Information for Schema Matching
SemStruct: 利用结构信息对语义嵌入进行上下文化以实现模式匹配
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； IBM Research（IBM研究院）
AI总结 提出SemStruct框架，通过将冻结的预训练语言模型与图神经网络的结构归纳偏置相结合，利用行级共现关系作为结构信息，在模式匹配任务中实现最先进性能。
Comments Accepted to KDD 26 Research Track
EHRBench: An Automated and Reliable EHR-based Benchmark for Clinical Decision Making with LLMs
EHRBench: 基于电子健康记录的自动化可靠临床决策基准测试，用于大语言模型
机构 * Emory University（埃默里大学） ； Stanford University（斯坦福大学）
AI总结 提出EHRBench，通过EHR-LLM-KB交互流水线自动构建近百万问答对，涵盖诊断、治疗和预后三大临床决策任务，系统评估30余种LLM的性能与鲁棒性。
Comments Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026), Datasets and Benchmarks Track, Oral
Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
基于混合专家知识图谱检索增强生成的多智能体LLM推荐系统
AI总结 提出MixRAGRec框架，通过混合专家检索、知识偏好对齐和对比学习增强推荐，解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。
Comments Accepted by KDD 2026 Research Track
Broken Memories: Detecting and Mitigating Memorization in Diffusion Models with Degraded Generations
破碎的记忆：通过退化生成检测和缓解扩散模型中的记忆化
机构 * Fudan University（复旦大学） ； East China University of Science and Technology（东华大学）
AI总结 本文首次发现扩散模型中的记忆化会导致内部数值不稳定性并表现为视觉“破碎”伪影，基于此提出了一种基于潜变量更新范数的经验稳定区域来量化稳定行为，并设计了一个即时的逐步骤检测与自适应缓解框架，在不改变提示或引导的情况下抑制记忆化，在Stable Diffusion 1.4上实现了AUC>0.999的检测性能和0.0%的记忆化率。
Comments KDD 2026, extended version
Domain-Specific Data Synthesis for LLMs via Minimal Sufficient Representation Learning
基于最小充分表示学习的大语言模型领域特定数据合成
机构 * vivo AI Lab（vivo人工智能实验室） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学）
AI总结 提出DOMINO框架，通过对比解耦学习最小充分领域表示，指导生成领域对齐的合成数据，在隐式领域定义下提升微调性能。
Comments Accepted by KDD 2026
Native Hierarchical and Compositional Representations with Subspace Embeddings
原生层次与组合表示：基于子空间嵌入
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出用线性子空间替代向量表示概念，通过子空间维度与包含关系自然建模层次与组合性，并引入可微软投影矩阵实现端到端训练，在层次推理和自然语言推理任务上达到最优性能。
Comments KDD 2026
Breaking Information Cocoons: A Hyperbolic Framework for Balancing Exploration and Exploitation in Recommender Systems
打破信息茧房：推荐系统中平衡探索与利用的双曲框架
机构 * University of California, Davis（加州大学戴维斯分校） ； The Hong Kong University of Science（香港科学大学） ； Snap Inc.（Snap公司） ； Yale University（耶鲁大学）
AI总结 提出双曲框架HERec，通过语义增强的层次机制和自动层次聚类，在推荐系统中平衡探索与利用，有效缓解信息茧房。
Comments Accepted to KDD 2026. Code: https://github.com/Martin-qyma/HERec
