KDD

QA-Dragon: Query-Aware Dynamic RAG System for Knowledge-Intensive Visual Question Answering

QA-Dragon：面向知识密集型视觉问答的查询感知动态RAG系统

Zhuohang Jiang, Pangjing Wu, Xu Yuan, Wenqi Fan, Qing Li

AI总结 QA-Dragon通过引入领域路由器和搜索路由器，实现多模态、多轮和多跳推理，提升复杂视觉问答任务的推理性能，实验显示其在单源、多源和多轮任务中均优于基线模型。

Comments The source code for our system is released in https://github.com/jzzzzh/QA-Dragon

Journal ref 2025 KDD Cup Workshop for Multimodal Retrieval Augmented Generation

Bid2X: Revealing Dynamics of Bidding Environment in Online Advertising from A Foundation Model Lens

Bid2X：从基础模型视角揭示在线广告中拍卖环境的动态

Jiahao Ji, Tianyu Wang, Yeshu Li, Yushen Huo, Zhilin Zhang, Chuan Yu, Jian Xu, Bo Zheng

机构 * Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出Bid2X基础模型，通过统一函数估计特定拍卖下的效果，结合注意力机制和融合模块，实现跨场景的拍卖策略优化，实验显示其在GMV和ROI上均优于基线模型。

Comments 12 pages, KDD 2025

Invariant Graph Transformer for Out-of-Distribution Generalization

不变式图变换器用于分布外泛化

Tianyin Liao, Ziwei Zhang, Yufei Sun, Chunyu Hu, Jianxin Li

机构 * Nankai University（南开大学） ； Beihang University（北京航空航天大学） 纠错

AI总结 本文提出GOODFormer，通过联合优化三个模块学习通用图表示，旨在解决分布偏移下的图结构泛化问题。

Comments Accepted by ACM SIGKDD 2026

Beyond Interleaving: Causal Attention Reformulations for Generative Recommender Systems

超越交错：用于生成推荐系统的因果注意力重述

Hailing Cheng

机构 * Linkedin Inc（LinkedIn公司） 纠错

AI总结 本文提出两种新型架构AttnLFA和AttnMVP，通过显式建模物品-动作因果依赖，提升生成推荐系统的效率与性能。

Comments 8 pages, 8 figures, submitted to KDD 2026

Scaling Multilingual Semantic Search in Uber Eats Delivery

在Uber Eats配送中扩展多语言语义检索

Bo Ling, Zheng Liu, Haoyang Chen, Divya Nagar, Luting Yang, Mehul Parsana

AI总结 本文提出了一种面向生产的多语言语义检索系统，通过微调Qwen2模型和Matryoshka Representation Learning技术，实现了在多个市场和垂直领域中的高召回率提升。

Comments 15 pages, 11 tables, 1 figure. Planned for submission to SIGIR or KDD 2026

Learning Hierarchical Knowledge in Text-Rich Networks with Taxonomy-Informed Representation Learning

在文本丰富网络中学习层次化知识：基于分类学的表示学习

Yunhui Liu, Yongchao Liu, Yinfeng Chen, Chuntao Hong, Tao Zheng, Tieke He

机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； Nanjing University（南京大学） ； Ant Group（蚂蚁集团） 纠错

AI总结 TIER通过构建隐含层次分类学并整合到节点表示中，提升文本丰富网络的层次化知识学习能力，实现更可解释的结构化建模。

Comments Accepted by KDD 2026. Extended version coming soon

Exploring Diffusion Models' Corruption Stage in Few-Shot Fine-tuning and Mitigating with Bayesian Neural Networks

探索扩散模型在少样本微调中的腐蚀阶段并利用贝叶斯神经网络缓解

Xiaoyu Wu, Jiaru Zhang, Yang Hua, Bohan Lyu, Hao Wang, Tao Song, Haibing Guan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Queen’s University Belfast（女王学院 Belfast） ； Tsinghua University（清华大学） ； Stevens Institute of Technology（史蒂文斯理工学院） 纠错

AI总结 本研究通过贝叶斯神经网络缓解扩散模型在少样本微调中的腐蚀阶段问题，提升生成图像质量。

Comments Accepted by KDD' 26

Graph Neural Networks in EEG-based Emotion Recognition: A Survey

基于EEG的情感识别中的图神经网络：综述

Chenyu Liu, Yuqiu Deng, Yihao Wu, Ruizhi Yang, Zhongruo Wang, Liangwei Zhang, Siyun Chen, Tianyi Zhang, Yang Liu, Yi Ding, Liming Zhai, Ziyu Jia, Xinliang Zhou

机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Xi’an Jiaotong University, Xi’an, China（西安交通大学） ； Imperial College London, London, UK（伦敦帝国理工学院） ； Amazon, Seattle, WA, USA（亚马逊） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； Uber Technologies, Inc., USA（Uber Technologies, Inc.） ； School of Computer Science, Central China Normal University, Wuhan, China（中央财经大学计算机学院） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） 纠错

AI总结 本文综述了基于EEG的情感识别中图神经网络的应用，分析了现有方法的共性与差异，并探讨了未来研究方向。

Comments The 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2026)

RAPO: Expanding Exploration for LLM Agents via Retrieval-Augmented Policy Optimization

RAPO：通过检索增强策略优化扩展LLM代理的探索

Siwei Zhang, Yun Xiong, Xi Chen, Zi'an Jia, Renhong Huang, Jiarong Xu, Jiawei Zhang

机构 * Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； UC Davis（加州大学戴维斯分校） 纠错

AI总结 RAPO通过引入检索增强策略优化，扩展LLM代理的探索能力，提升训练效率和探索效果。

Comments Submit to KDD 2026

ShipTraj-R1: Reinforcing Ship Trajectory Prediction in Large Language Models via Group Relative Policy Optimization

ShipTraj-R1: 通过群体相对策略优化在大型语言模型中强化船舶轨迹预测

Yang Zhan, Yunhao Li, Zhang Chao, Yuxu Lu, Yan Li

机构 * School of Artificial Intelligence, Optics, and Electronics (iOPEN)（人工智能、光学与电子学院） ； Northwestern Polytechnical University（西北工业大学） ； Department of Logistics and Maritime Studies（物流与海洋研究系） ； The Hong Kong Polytechnic University（香港理工大学） ； State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing（测绘遥感信息工程国家重点实验室） ； Wuhan University（武汉大学） 纠错

AI总结 ShipTraj-R1通过群体相对策略优化在大型语言模型中强化船舶轨迹预测，利用动态提示和规则奖励机制提升预测准确性。

Comments Accepted by the 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD2026)

What Helps---and What Hurts: Bidirectional Explanations for Vision Transformers

什么有助于——什么有害：用于视觉变换器的双向解释

Qin Su, Tie Luo

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

AI总结 BiCAM通过双向类激活映射方法，提升视觉变换器的可解释性，通过保留正负属性并引入PNR比值，增强模型解释的完整性和对比性。

Comments PAKDD 2026: The 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining

PSQE: A Theoretical-Practical Approach to Pseudo Seed Quality Enhancement for Unsupervised Multimodal Entity Alignment

PSQE：一种伪种子质量增强的理论-实践方法用于无监督多模态实体对齐

Yunpeng Hong, Chenyang Bu, Jie Zhang, Yi He, Di Wu, Xindong Wu

机构 * Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China), Hefei University of Technology（大数据知识工程重点实验室（教育部）、合肥工业大学） ； Department of Data Science, College of William and Mary（威廉与玛丽学院数据科学系） ； College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院） 纠错

AI总结 PSQE通过多模态信息和聚类重采样提升伪种子质量，改善无监督多模态实体对齐的精度与图覆盖平衡性。

Comments 2026 SIGKDD Accept

Lower Bias, Higher Welfare: How Creator Competition Reshapes Bias-Variance Tradeoff in Recommendation Platforms?

降低偏差，提高福利：创作者竞争如何重塑推荐平台中的偏差-方差权衡

Kang Wang, Renzhe Xu, Bo Li

AI总结 研究探讨了创作者竞争如何影响推荐平台的偏差-方差权衡，发现通过降低偏差可提升用户福利。

Comments KDD 2026

Heterogeneous Multi-Agent Reinforcement Learning with Attention for Cooperative and Scalable Feature Transformation

异构多智能体强化学习与注意力机制用于协作和可扩展的特征转换

Tao Zhe, Huazhen Fang, Kunpeng Liu, Qian Lou, Tamzidul Hoque, Dongjie Wang

机构 * University of Kansas（堪萨斯大学） ； Michigan State University（密歇根州立大学） ； Clemson University（克莱姆森大学） ； University of Central Florida（佛罗里达中央大学） 纠错

AI总结 本文提出异构多智能体强化学习框架，通过注意力机制实现高效、可扩展的特征转换，提升下游任务性能。

Comments Accepted at KDD 2026 Research Track

Continuous Optimization for Feature Selection with Permutation-Invariant Embedding and Policy-Guided Search

基于排列不变嵌入和策略引导搜索的连续优化特征选择

Rui Liu, Rui Xie, Zijun Yao, Yanjie Fu, Dongjie Wang

机构 * University of Kansas（堪萨斯大学） ； University of Central Florida（中央佛罗里达大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文提出一种基于排列不变嵌入和策略引导搜索的连续优化特征选择框架，通过编码器-解码器范式和强化学习方法解决特征子集嵌入中的排列敏感性和凸性假设问题。

Comments KDD 2025

Differentiable Zero-One Loss via Hypersimplex Projections

通过超简单面投影实现可微零一损失

Camilo Gomez, Pengyang Wang, Liansheng Tang

机构 * School of Data, Mathematical, and Statistical Sciences, University of Central Florida, Orlando, USA（数据、数学与统计科学学院，中央佛罗里达大学，奥兰多，美国） ； Department of CIS, University of Macau, Macao, China（信息与系统系，澳门大学，澳门，中国） 纠错

AI总结 本文提出了一种可微的零一损失近似方法，通过超简单面投影和Soft-Binary-Argmax操作符，提升大批次训练下的模型泛化能力。

Comments To appear in PAKDD 2026 (Pacific-Asia Conference on Knowledge Discovery and Data Mining), 12 pages

AgentLTV: An Agent-Based Unified Search-and-Evolution Framework for Automated Lifetime Value Prediction

AgentLTV: 一种基于代理的统一搜索与进化框架用于自动化生命周期价值预测

Chaowei Wu, Huazhu Chen, Congde Yuan, Qirui Yang, Guoqing Song, Yue Gao, Li Luo, Frank Youhua Chen, Mengzhuo Guo

机构 * Sichuan University（四川大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sun Yat-sen University（中山大学） ； City University of Hong Kong（香港城市大学） ； Xiangtan University（湘潭大学） 纠错

AI总结 AgentLTV通过基于代理的统一搜索与进化框架，实现自动化生命周期价值预测，通过MCTS和EA阶段优化模型，提升预测准确性和稳定性。

Comments 12 pages, 4 figures, submitted to KDD 2026: 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, ADS Track

MUSE: Multi-Tenant Model Serving With Seamless Model Updates

MUSE：多租户模型服务与无缝模型更新

Cláudio Correia, Alberto E. A. Ferreira, Lucas Martins, Miguel P. Bento, Sofia Guerreiro, Ricardo Ribeiro Pereira, Ana Sofia Gomes, Jacopo Bono, Hugo Ferreira, Pedro Bizarro

机构 * Feedzai Portugal（Feedzai葡萄牙公司） 纠错

AI总结 MUSE通过解耦模型得分与客户端决策边界，实现了多租户环境下无缝模型更新，提升了模型的适应性和效率。

Comments Currently under review for KDD 2026 (Applied Data Science)

Robust Time Series Causal Discovery for Agent-Based Model Validation

面向智能体模型验证的鲁棒时间序列因果发现

Gene Yu, Ce Guo, Wayne Luk

AI总结 本研究提出鲁棒交叉验证方法，用于提升智能体模型验证中因果结构学习的鲁棒性和准确性。

Comments A peer-reviewed version titled "VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery" is accepted to Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) 2026. Please cite the PAKDD version

Deepmechanics

基于物理的深度学习：三种架构在动力学系统中的表现评估

Abhay Shinde, Aryan Amit Barsainyan, Jose Siguenza, Ankita Vaishnobi Bisoi, Rakshit Kr. Singh, Bharath Ramsundar

机构 * Deep Forest Sciences（深林科学） 纠错

AI总结 本文评估了三种物理指导的深度学习架构在不同动力学系统中的表现，发现其在保守和耗散系统中难以维持稳定性，需进一步研究以提升模型鲁棒性。

Comments 11 pages, 7 figures, Submitted to KDD 2026

Scaling Recommender Transformers to One Billion Parameters

将推荐器变压器扩展到十亿参数

Kirill Khrylchenko, Artem Matveev, Sergei Makeev, Vladimir Baikalov

AI总结 本文提出了一种训练十亿参数推荐器的方法，通过分解自回归学习为反馈预测和下一项预测，实现了推荐系统性能的显著提升。

Comments KDD'2026

Modeling Time-evolving Causality over Data Streams

对数据流中时间演变因果关系的建模

Naoki Chihara, Yasuko Matsubara, Ren Fujiwara, Yasushi Sakurai

机构 * SANKEN, Osaka University（SANKEN，大阪大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-鲁克勒特研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒姆研究实验室） 纠错

AI总结 本文提出ModePlait方法，用于建模数据流中时间演变的因果关系，并通过实验验证其在发现因果关系和预测未来值方面的有效性。

Comments Accepted by KDD'25

Journal ref The 31st ACM SIGKDD international conference on Knowledge discovery and data mining, 2025

Computing Approximate Pareto Frontiers for Submodular Utility and Cost Tradeoffs

计算子模 utility 和 cost 交易的近似帕累托前沿

Karan Vombatkere, Evimaria Terzi

AI总结 本文提出了一种计算子模 utility 和 cost 交易近似帕累托前沿的框架，通过高效算法探索多种权衡方案，提升子模优化的实用性。

Comments 15 pages total, including 6 page appendix Submitted to ACM SIGKDD 2026

Effective and Robust Multimodal Medical Image Analysis

高效且鲁棒的多模态医学图像分析

Joy Dhar, Nayyar Zaidi, Maryam Haghighat

机构 * Indian Institute of Technology Ropar（印度理工学院罗帕尔分校） ； Deakin University（德克萨斯大学） ； Queensland University of Technology（昆士兰理工大学） 纠错

AI总结 本文提出MAIL网络，通过高效残差学习和多模态交叉注意力模块，提升多模态医学图像分析的效率与鲁棒性，实现实验性能提升9.34%并降低计算成本78.3%。

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

SIGMUS: Semantic Integration for Knowledge Graphs in Multimodal Urban Spaces

SIGMUS：多模态城市空间中知识图谱的语义整合

Brian Wang, Mani Srivastava

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 SIGMUS通过大型语言模型实现多模态城市数据的自动语义整合，构建知识图谱以连接不同数据源与事件关系。

Comments 9 pages, accepted at UrbComp 2025 KDD 2025

High Precision Audience Expansion via Extreme Classification in a Two-Sided Marketplace

通过双侧市场中极端分类实现高精度受众扩展

Dillon Davis, Huiji Gao, Thomas Legrand, Juan Manuel Caicedo Carvajal, Malay Haldar, Kedar Bellare, Moutupsi Paul, Soumyadip Banerjee, Liwei He, Stephanie Moyerman, Sanjeev Katariya

机构 * Relevance（相关性） ； Airbnb, Inc.（Airbnb公司） ； Search（搜索） 纠错

AI总结 本文通过双侧市场中的极端分类方法，实现高精度受众扩展，优化房源检索以提高匹配效率。

Comments KDD TSMO 2025: accepted-papers?authuser=0" target="_blank" rel="noopener">https://sites.google.com/view/tsmo2025/accepted-papers?authuser=0

ARCTraj: A Dataset and Benchmark of Human Reasoning Trajectories for Abstract Problem Solving

ARCTraj：抽象问题解决中人类推理轨迹的数据集和基准

Sejin Kim, Hayan Choi, Seokki Lee, Sundong Kim

AI总结 ARCTraj通过记录人类推理轨迹，提供了一种结构化且可解释的框架，用于研究抽象问题解决中的推理过程，推动可解释性和可推广智能的发展。

Comments KDD 2026 (Datasets and Benchmarks) accepted

HyFunc: Accelerating LLM-based Function Calls for Agentic AI through Hybrid-Model Cascade and Dynamic Templating

HyFunc: 通过混合模型级联和动态模板加速基于LLM的功能调用以实现代理AI

Weibin Liao, Jian-guang Lou, Haoyi Xiong

机构 * Peking University（北京大学） ； Microsoft Corporation（微软公司） 纠错

AI总结 HyFunc通过混合模型级联和动态模板技术，高效解决代理AI中功能调用的冗余问题，实现低延迟和高性能。

Comments Accepted by KDD'26

Instruction-based Time Series Editing

基于指令的时间序列编辑

Jiaxing Qiu, Dongliang Guo, Brynne Sullivan, Teague R. Henry, Thomas Hartvigsen

机构 * University of Virginia（弗吉尼亚大学） 纠错

AI总结 InstructTime是一种基于指令的时间序列编辑器，通过自然语言指令实现灵活且可控的编辑，能够生成高质量的编辑结果并适应新条件。

Comments (KDD 26) Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1

SaVe-TAG: LLM-based Interpolation for Long-Tailed Text-Attributed Graphs

SaVe-TAG：基于大语言模型的长尾文本属性图插值

Leyao Wang, Yu Wang, Bo Ni, Yuying Zhao, Hanyu Wang, Yao Ma, Tyler Derr

机构 * Yale University（耶鲁大学） ； University of Oregon（俄勒冈大学） ； Vanderbilt University（范德比大学） ； Renmin University of China（中国人民大学） ； Rensselaer Polytechnic Institute（罗切斯特理工学院） 纠错

AI总结 SaVe-TAG通过大语言模型实现文本属性图的长尾问题解决，生成合成样本并结合图拓扑过滤提升学习效果。

Comments Accepted KDD 2026 Research Track Paper