KDD

Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings

对重要任务的基准测试：用于保持模型排名的数据集选择

Rostislav Gusev, Alexey Zaytsev

机构 * Applied AI Institute Moscow（莫斯科应用人工智能研究所） 纠错

AI总结 提出一个框架，通过评估不同选择策略如何保持全局模型排名，从大量数据集中选择代表性子集，并利用自举聚合提供置信区间。在时间序列分类和NLP基准上，简单策略如FAFI优于随机选择；在推荐系统中改进不显著。

Comments Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting

多期波动率预测中的部署侧自适应性

Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

机构 * The University of Bristol（布里斯托大学） 纠错

AI总结 研究多期波动率预测中，通过改变推理时的展开规则来提升预测性能，发现验证集选择的部署策略能有效改善MIMO模型性能，且策略选择对评估指标敏感。

Comments Accepted for KDD 2026 Machine Learning in Finance Workshop