KDD

Mining Intrinsic Rewards from LLM Hidden States for Efficient Best-of-N Sampling

从LLM隐藏状态中挖掘内在奖励以实现高效的Best-of-N采样

Jizhou Guo, Zhaomin Wu, Hanchen Yang, Philip S. Yu

机构 * Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； National University of Singapore（新加坡国立大学） ； Tongji University（同济大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 SWIFT通过从LLM隐藏状态中挖掘内在奖励，实现高效Best-of-N采样，提升模型性能并减少计算成本。

Comments Accepted by KDD 2026 (Research Track). Project page: https://aster2024.github.io/swift-website/

Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation

释放邻居的潜力：基于扩散的潜在邻居生成用于基于会话的推荐

Yuhan Yang, Jie Zou, Guojia An, Jiwei Wei, Yang Yang, Heng Tao Shen

AI总结 DiffSBR通过基于扩散的潜在邻居生成方法，提升基于会话的推荐性能。

Comments This paper has been accepted by KDD 2026

TimeDistill: Efficient Long-Term Time Series Forecasting with MLP via Cross-Architecture Distillation

TimeDistill: 通过跨架构知识蒸馏利用MLP实现高效的长期时间序列预测

Juntong Ni, Zewen Liu, Shiyu Wang, Ming Jin, Wei Jin

机构 * Emory University（埃默里大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 TimeDistill通过跨架构知识蒸馏将教师模型的多尺度和多周期模式转移到MLP，显著提升预测性能并降低计算需求

Comments Accepted at KDD 2026, we release our code publicly at https://github.com/LingFengGold/TimeDistill

MixTTE: Multi-Level Mixture-of-Experts for Scalable and Adaptive Travel Time Estimation

MixTTE：多级专家混合模型用于可扩展和自适应的行程时间估计

Wenzhao Jiang, Jindong Han, Ruiqian Han, Hao Liu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

AI总结 MixTTE通过多级专家混合模型整合链路级建模与工业级TTE系统，提升大规模交通预测的准确性和稳定性。

Comments Accepted to KDD 2026

Accelerating Storage-Based Training for Graph Neural Networks

加速基于存储的图神经网络训练

Myung-Hwan Jang, Jeong-Min Park, Yunyong Ko, Sang-Wook Kim

机构 * Hanyang University（翰江大学） ； Chung-Ang University（Chung-Ang 大学） 纠错

AI总结 AGNES通过块级存储I/O处理和超批次策略，提升大规模图神经网络训练效率，比现有方法快4.1倍。

Comments 10 pages, 12 figures, 2 tables, ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD) 2026

MergeRec: Model Merging for Data-Isolated Cross-Domain Sequential Recommendation

MergeRec: 数据隔离跨域序列推荐中的模型合并

Hyunsoo Kim, Jaewan Moon, Seongmin Park, Jongwuk Lee

机构 * Sungkyunkwan University（成均馆大学） 纠错

AI总结 MergeRec通过数据隔离跨域序列推荐框架，利用无训练合并技术与伪用户数据构建，提升跨域推荐系统泛化能力。

Comments Accepted by KDD 2026

HAROOD: A Benchmark for Out-of-distribution Generalization in Sensor-based Human Activity Recognition

HAROOD：一种用于基于传感器的人体活动识别中分布外泛化的基准

Wang Lu, Yao Zhu, Jindong Wang

机构 * William \& Mary Department of Data Science Williamsburg Virginia United States 纠错

AI总结 本文提出HAROOD基准，用于评估基于传感器的人体活动识别中分布外泛化的有效性，通过定义四种场景和多种方法比较，揭示了现有算法的不足和未来研究方向。

Comments Accepted by KDD 2026

Heaven-Sent or Hell-Bent? Benchmarking the Intelligence and Defectiveness of LLM Hallucinations

天降还是地狱？评估大语言模型幻觉的智能与缺陷

Chengxu Yang, Jingling Yuan, Siqi Cai, Jiawei Jiang, Chuang Hu

机构 * Wuhan University of Technology（武汉理工大学） ； Hubei Key Laboratory of Transportation Internet of Things（湖北省交通运输物联网重点实验室） ； BreathingCORE ； Wuhan University（武汉大学） 纠错

AI总结 本文提出HIC-Bench框架，通过分类智能与缺陷幻觉，评估LLM在创造力与准确性之间的平衡，揭示幻觉对科学创新的推动作用。

Comments Published as a conference paper at KDD 2026

APT-CGLP: Advanced Persistent Threat Hunting via Contrastive Graph-Language Pre-Training

APT-CGLP: 通过对比图-语言预训练实现高级持续威胁狩猎

Xuebo Qiu, Mingqi Lv, Yimei Zhang, Tieming Chen, Tiantian Zhu, Qijie Song, Shouling Ji

AI总结 APT-CGLP通过对比图-语言预训练实现高级持续威胁狩猎，提升跨模态语义匹配的准确性和效率。

Comments Accepted by SIGKDD 2026 Research Track

Towards Privacy-Preserving and Heterogeneity-aware Split Federated Learning via Probabilistic Masking

面向隐私保护和异质性感知的分裂联邦学习：通过概率掩码

Xingchen Wang, Feijie Wu, Chenglin Miao, Tianchun Li, Haoyu Hu, Qiming Cao, Jing Gao, Lu Su

机构 * Purdue University（普渡大学） ； Iowa State University（爱荷华州立大学） 纠错

AI总结 PM-SFL通过概率掩码训练和个性化掩码学习，在隐私保护和异质性感知方面提升了分裂联邦学习的性能和鲁棒性。

Comments KDD 2026

ALF: Advertiser Large Foundation Model for Multi-Modal Advertiser Understanding

ALF：多模态广告商基础模型用于多模态广告商理解

Santosh Rajagopalan, Jonathan Vronsky, Songbai Yan, S. Alireza Golestaneh, Shubhra Chandra, Min Zhou

机构 * Google（谷歌） 纠错

AI总结 ALF通过多模态Transformer架构和多任务优化，实现了广告商行为理解的高精度和高召回率，显著提升了欺诈检测和政策识别的性能。

Comments KDD 2026 ADS Track

MM-SpuBench: Towards Better Understanding of Spurious Biases in Multimodal LLMs

MM-SpuBench：迈向更好地理解多模态大语言模型中伪偏差的深入研究

Wenqian Ye, Bohan Liu, Guangtao Zheng, Di Wang, Yunsheng Ma, Xu Cao, Bolin Lai, James M. Rehg, Aidong Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Purdue University（普渡大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 MM-SpuBench通过分析多模态大语言模型中的伪偏差，揭示其存在与缓解的挑战，提供公开基准以促进相关技术发展。

Comments Accepted at KDD 2026 (Dataset and Benchmark Track)

Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search

通过强化学习优化小红书搜索的生成排序相关性

Ziyang Zeng, Heming Jing, Jindong Chen, Xiangli Li, Hongyu Liu, Yixuan He, Zhengyu Li, Yige Sun, Zheyong Xie, Yuqing Yang, Shaosheng Cao, Jun Fan, Yi Wu, Yao Hu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 通过强化学习提升小红书搜索生成排序的相关性建模，增强可解释性和性能。

Comments Accepted to the ADS Track at KDD 2026

When Deepfake Detection Meets Graph Neural Network:a Unified and Lightweight Learning Framework

当深度伪造检测遇见图神经网络：一种统一且轻量级的学习框架

Haoyu Liu, Chaoyu Gong, Mengke He, Jiate Li, Kai Han, Siqiang Luo

机构 * Nanyang Technological University（南洋理工大学） ； University of Southern California（南加州大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出SSTGNN，一种统一且轻量级的深度伪造检测框架，通过图神经网络联合处理空间、时间及频谱信息，实现高效且准确的伪造检测。

Comments Accepted to KDD 2026

Choice Modeling and Pricing for Scheduled Services

安排服务的选择建模与定价

Adam N. Elmachtoub, Kumar Goutam, Roger Lederman

AI总结 该研究提出了一种用于安排服务选择建模和定价的框架，通过参数化模型和决策树划分市场，提高了定价效率和性能。

Comments Accepted in KDD '26 Applied Data Science track

Ensembling Multiple Hallucination Detectors Trained on VLLM Internal Representations

集成多个基于VLLM内部表示的幻觉检测器

Yuto Nakamizo, Ryuhei Miyazato, Hikaru Tanabe, Ryuta Yamakura, Kiori Hatanaka

AI总结 本文提出通过集成多个基于VLLM内部表示的幻觉检测模型，以减少幻觉并提高VQA任务的准确性。

Comments 5th place solution at Meta KDD Cup 2025

RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting

RIPCN: 一条道路阻抗主成分网络用于概率交通流预测

Haochen Lv, Yan Lin, Shengnan Guo, Xiaowei Mao, Hong Nie, Letian Gong, Youfang Lin, Huaiyu Wan

机构 * School of Computer Science ； Technology Beijing Jiaotong University Beijing China ； Department of Computer Science Aalborg University Aalborg Denmark ； Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education Beijing China ； Beijing Key Laboratory of Traffic Data Mining ； Beijing Jiaotong University ； Aalborg University ； Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education 纠错

AI总结 RIPCN通过结合交通理论与时空主成分学习，提升交通流预测的准确性和不确定性估计能力。

Comments Accepted at KDD 2026. 12 pages, 10 figures

TAMEing Long Contexts in Personalization: Towards Training-Free and State-Aware MLLM Personalized Assistant

在个性化中延长上下文：迈向无训练和状态感知的MLLM个性化助手

Rongpei Hong, Jian Lang, Ting Zhong, Yong Wang, Fan Zhou

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Aiwen Technology Co., Ltd.（Aiwen科技有限公司） ； Intelligent Digital Media Technology Key Laboratory of Sichuan Province（四川省智能数字媒体技术重点实验室） 纠错

AI总结 本文提出TAME框架，通过双记忆和RA2G范式实现无训练、状态感知的MLLM个性化，提升长上下文对话能力。

Comments Accepted by KDD 2026 research track. Code and data are available at https://github.com/ronpay/TAME

From Shallow Humor to Metaphor: Towards Label-Free Harmful Meme Detection via LMM Agent Self-Improvement

从浅层幽默到隐喻：通过LMM代理自我改进实现无标签有害迷因检测

Jian Lang, Rongpei Hong, Ting Zhong, Leiting Chen, Qiang Gao, Fan Zhou

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Southwestern University of Finance and Economics（西南财经大学） ； Intelligent Digital Media Technology Key Laboratory of Sichuan Province（四川省智能数字媒体技术重点实验室） 纠错

AI总结 ALARM通过LMM代理自我改进实现无标签有害迷因检测，利用浅层迷因信息提升对复杂迷因的识别能力。

Comments 12 pages. Accepted by KDD 2026 research track. Codes are released at https://github.com/Jian-Lang/ALARM

TimeBridge: Better Diffusion Prior Design with Bridge Models for Time Series Generation

TimeBridge: 通过桥模型改进扩散先验设计以实现时间序列生成

Jinseong Park, Seungyun Lee, Woojin Jeong, Yujin Choi, Jaewook Lee

机构 * Korea Institute for Advanced Study（韩国高级研究院） ； Seoul National University（首尔国立大学） 纠错

AI总结 TimeBridge通过桥模型改进扩散先验设计，提升时间序列生成的灵活性和性能。

Comments KDD 2026

Improving ML Training Data with Gold-Standard Quality Metrics

提升机器学习训练数据的质量：基于黄金标准质量指标

Leslie Barrett, Michael W. Sherman

机构 * Google（谷歌） 纠错

AI总结 本文提出通过统计方法提升手工标注训练数据质量，证明多次标注迭代可提高数据质量，并指出标注者适应期可能不足以减少错误。

Journal ref In KDD '19: 25th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, August 05, 2019, Anchorage, AK

CoPHo: Classifier-guided Conditional Topology Generation with Persistent Homology

CoPHo：基于持续同调的分类器引导条件拓扑生成

Gongli Xi, Ye Tian, Mengyu Yang, Zhenyu Zhao, Yuchao Zhang, Xiangyang Gong, Xirong Que, Wendong Wang

机构 * School of Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全学院，北京邮电大学） ； State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，北京邮电大学） ； School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家级试点软件工程学院），北京邮电大学） 纠错

AI总结 CoPHo通过持续同调和预训练分类器引导生成具有特定结构属性的拓扑图，优于现有方法并在分子数据集上验证了其可迁移性。

Comments Accepted by KDD 2026. 12 pages, 5 figures

GradMix: Gradient-based Selective Mixup for Robust Data Augmentation in Class-Incremental Learning

GradMix: 基于梯度的选取混合法用于类别增量学习中的鲁棒数据增强

Minsu Kim, Seong-Hyeon Hwang, Steven Euijong Whang

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 GradMix是一种基于梯度的选取混合方法，用于减少类别增量学习中的灾难性遗忘，通过混合有益类对样本以提升模型性能。

Comments Accepted to KDD 2026

Self-Guided Diffusion Model for Accelerating Computational Fluid Dynamics

自引导扩散模型用于加速计算流体动力学

Ruoyan Li, Zijie Huang, Haixin Wang, Guancheng Wan, Yizhou Sun, Wei Wang

AI总结 本文提出SG-Diff模型，通过自引导和物理指导策略，提升对求解器生成低保真度输入的细尺度细节重建能力。

Journal ref Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining (KDD 2026)

FCN: Fusing Exponential and Linear Cross Network for Click-Through Rate Prediction

FCN: 通过融合指数和线性交叉网络进行点击通过率预测

Honghao Li, Yiwen Zhang, Yi Zhang, Hanwei Li, Lei Sang, Jieming Zhu

AI总结 FCN通过融合线性和指数交叉网络，显式建模特征交互，提升CTR预测的性能、效率和可解释性。

Comments KDD'26 accepted

Certified Defense on the Fairness of Graph Neural Networks

对图神经网络公平性的认证防御

Yushun Dong, Binchi Zhang, Hanghang Tong, Jundong Li

机构 * Florida State University（佛罗里达州立大学） ； University of Virginia（弗吉尼亚大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出ELEGANT框架，通过理论分析实现对图神经网络公平性的认证防御，无需假设结构或重新训练，适用于各种优化后的GNN部署。

Comments Accepted at SIGKDD'26 for publication

Offline Behavioral Data Selection

离线行为数据选择

Shiye Lei, Zhihao Cheng, Dacheng Tao

机构 * School of Computer Science The University of Sydney Sydney Australia ； College of Computing \& Data Science Nanyang Technological University Singapore ； School of Computer Science The University of Sydney ； College of Computing \& Data Science Nanyang Technological University 纠错

AI总结 本文提出SDR方法，通过分步裁剪和双排序策略，有效提升离线行为数据的选择效率。

Comments Accepted by KDD 2026

The Mental World of Large Language Models in Recommendation: A Benchmark on Association, Personalization, and Knowledgeability

大语言模型在推荐系统中的心理世界：关联性、个性化与知识性基准测试

Guangneng Hu

AI总结 本文提出LRWorld基准，评估大语言模型在推荐系统中的关联性、个性化和知识性能力，发现其在浅层相似性任务上表现良好，但在深度个性化嵌入和多模态推理方面仍有不足。

Comments 21 pages, 13 figures, 27 tables, submission to KDD 2025

Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items

在制作之前就出售它：通过个性化AI生成物品革新电子商务

Jianghao Lin, Peng Du, Jiaqi Liu, Weite Li, Yong Yu, Weinan Zhang, Yang Cao

机构 * Antai College of Economics and Management（经济管理学院） ； Shanghai Jiao Tong University（上海交通大学） ； Alibaba Group（阿里巴巴集团） 纠错

AI总结 本文提出PerFusion框架，通过个性化AI生成物品提升电子商务的点击率和转化率，同时降低退货率。

Comments Accepted by KDD 2026 ADS Track

Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting

面向概念漂移的前瞻性模型适应用于在线时间序列预测

Lifan Zhao, Yanyan Shen

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 Proceed 提出一种前瞻性模型适应框架，通过估计和转换概念漂移，提升在线时间序列预测对概念漂移的抗性。

Comments Accepted by KDD 2025. This version fixed typos in Eq. (3)