KDD

LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning

LeNEPA：无增强的下一潜在预测用于时间序列表示学习

Alexander Chemeris, Ming Jin, Randall Balestriero

机构 * Langotime South Africa（Langotime南非） ； Griffith University Australia（澳大利亚格里菲斯大学） ； Brown University United States（美国布朗大学） 纠错

AI总结 提出LeNEPA，一种无需数据增强的下一潜在预测架构，通过SIGReg正则化和轻量投影空间，在固定配方测试中跨数据集保持性能，优于ECG调优的JEPA。

Comments 9 pages, 4 figures, 6 tables; accepted by the 12th Mining and Learning from Time Series (KDD MILETS 2026); source code and artifacts: https://github.com/langotime/lenepa-milets-2026

Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations

Aionoscope：时间序列表示中潜在状态可访问性的调试

Alexander Chemeris, Ming Jin, Randall Balestriero

机构 * Langotime South Africa（Langotime 南非） ； Griffith University（格里菲斯大学） ； Brown University（布朗大学） 纠错

AI总结 提出Aionoscope，一种基于生成器的诊断工具，用于调试冻结时间序列表示中的潜在状态可访问性，揭示粗粒度和细粒度可访问性之间的不匹配。

Comments 9 pages, 4 figures. Accepted by the 12th Mining and Learning from Time Series (KDD MILETS 2026). Interactive results: https://aionoscope.langotime.ai/ . Source artifacts: https://github.com/langotime/aionoscope/ and https://github.com/langotime/aionoscope-benchmarks/

Understanding Guest Preferences and Optimizing Two-sided Marketplaces: Airbnb as an Example

理解客人偏好与优化双边市场：以Airbnb为例

Yufei Wu, Daniel Schmierer

机构 * Airbnb, Inc.（Airbnb公司） 纠错

AI总结 结合经济建模与因果推断，分析客人对价格等因素的响应及偏好异质性，以优化定价工具和个性化推荐，提升市场匹配效率。

Comments 5 pages, 3 figures. Presented at the KDD 2024 Workshop on Two-Sided Marketplace Optimization, Barcelona, Spain

Holographic Quantum Transformer: A Generalist Neuro-Symbolic Architecture for Solving Frustrated Systems via Generative Attention

全息量子变换器：一种通过生成式注意力解决受挫系统的通用神经符号架构

Xingran Guo, Tiaojie Xiao, Jie Liu, Keqin Li

机构 * National University of Defense Technology（国防科技大学） ； State University of New York at New Paltz（纽约州立大学新帕尔茨分校） 纠错

AI总结 提出全息量子变换器（HQT），利用全局自注意力解决非局域纠缠模式，在受挫J1-J2海森堡模型上达到高精度，并实现零样本尺寸外推协议。

Comments 10 pages, accepted to KDD '26

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09-13, 2026, Jeju Island, Republic of Korea