Hierarchical Residual Policy Optimization for Generative Recommendations
用于生成式推荐的分层残差策略优化
AI总结 针对生成式推荐器后训练中标记级信用分配问题，提出HRPO框架，将项目级结果转换为标记对齐学习信号，经实验在会话效用和业务指标上取得提升。
Comments 12 pages, 6 figures, 10 tables. Accepted at KDD 2026 Research Track
期刊&会议
KDD
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
SafeBuild-Bench: A Temporal-Robust Construction Safety Benchmark with Graph-Enhanced Data Mining
SafeBuild-Bench：一种具有图增强数据挖掘能力的时序鲁棒建筑安全基准
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 研究人员构建了图增强数据挖掘的时序鲁棒建筑安全基准SafeBuild-Bench，开发可扩展验证的GEMS流水线，发现现有多模态大语言模型对建筑安全理解仍不足。
Comments Accepted by KDD 2026. 12 pages, 6 figures
PCBWorld: A Benchmark Environment for Engine-Grounded PCB Design Automation
PCBWorld：用于基于引擎的PCB设计自动化的基准环境
机构 * LG AI Research（LG人工智能研究院）
AI总结 研究旨在改进PCB布线，介绍基于KiCad EDA引擎的开源环境PCBWorld及数据集PCBWorld-Bench，支持多种智能体。实验表明其中智能体性能优于基线，仅在合成板训练的强化学习策略可零样本迁移到真实板，有望提升布线能力。
Comments Accepted to the KDD 2026 Workshop on Evaluation and Trustworthiness of Agentic AI (non-archival). Main text with appendix
Can LLM-based Financial Investing Strategies Outperform the Market in Long Run?
基于LLM的金融投资策略能否长期跑赢市场？
机构 * AIAI, School of Informatics The University of Edinburgh Edinburgh United Kingdom ； Global Finance Research Center Sungkyunkwan University Seoul Republic of Korea ； Dept. of Statistics \& OMI University of California, Los Angeles ； University of Oxford United States ； The University of Edinburgh ； Sungkyunkwan University ； University of California, Los Angeles ； University of Oxford
AI总结 提出FINSABER回测框架，在更长时间和更大股票池上评估基于LLM的择时策略，发现其优势在长期和广泛截面下显著下降，且在牛熊市中表现不佳。
Comments KDD 2026, Datasets & Benchmarks Track (Oral) Corrected the FinAgent results and added FinAgent (GPT-4o-mini) in Table 2; conclusions unchanged
Submodular Maximization under Supermodular Constraint: Greedy Guarantees
在超模约束下进行子模最大化：贪心保证
AI总结 在超模约束下，通过贪心算法和二分查找实现子模函数最大化，提供双标准近似方法，优于其他贪心启发法。
Comments 12 pages, 6 figures. Fixed typos. Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26)
CTR-Sink: Attention Sink for Language Models in Click-Through Rate Prediction
CTR-Sink：用于点击率预测的语言模型中的注意力汇聚点
机构 * NLPR, Institute of Automation, Chinese Academy of Sciences（神经信息处理教育部重点实验室，自动化研究所，中国科学院） ； Ant Group（蚂蚁集团） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（香港城市大学） ； Sun Yat-sen University（中山大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学）
AI总结 针对用户行为序列与语言模型预训练文本之间的结构差异导致的语义碎片化问题，提出CTR-Sink框架，通过引入行为级注意力汇聚点并动态调节注意力聚合，提升点击率预测性能。
Comments Accepted by the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026). The source code of this paper has been made publicly available at https://github.com/UGUESS-lzx/CTR-SINK
Think2Go: Generative Next POI Recommendation with LLM Reasoning
Think2Go：基于大语言模型推理的生成式下一个兴趣点（POI）推荐
AI总结 Think2Go框架统一SFT与RL推理，通过优势加权机制校准策略优化，解决现有POI推荐模型的意图捕捉不足问题，提升推荐性能与稳健性。
Comments Accepted by KDD 2026 Research Track Cycle 1 (Oral presentation)
Can Large Language Models Derive New Knowledge? A Dynamic Benchmark for Biological Knowledge Discovery
大语言模型能否推导新知识？一种动态生物知识发现基准
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出DBench-Bio，一种动态生物知识发现基准，通过三阶段流程评估AI的新知识发现能力，揭示当前模型在知识发现上的局限性。
Comments Accepted by KDD 2026
Benchmarking Table Extraction from Heterogeneous Scientific PDF Documents
对异构科学提取文档中表格提取的基准测试
AI总结 本文提出了一种新的基准测试，用于评估端到端表格提取方法，通过分析评估指标和设计严谨的评估流程，揭示了当前方法在异构数据下的局限性。
Comments Extended version, with appendices, of a paper published at KDD '26
Graph Neural Multilevel Preconditioners for Iterative Solvers
用于迭代求解器的图神经多重网格预条件子
AI总结 本研究针对大型稀疏线性系统求解问题，提出图神经多重网格预条件子（GMP），在800余个稀疏矩阵基准上验证其性能，明确该方法的收敛提升潜力与开销局限。
Comments Accepted at KDD 2026
ARES: Anomaly Recognition Model For Edge Streams
ARES：用于边缘流的异常识别模型
机构 * University of Calabria（卡塔尼娅大学） ； ICAR-CNR（ICAR-国家研究委员会） ； Revelis s.r.l.（Revelis公司） ； Artificial Intelligence Institute, University of Waikato, NZ（瓦卡托大学人工智能研究所） ； LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，巴黎电信，巴黎理工学院）
AI总结 ARES是一种用于边缘流的无监督异常检测框架，结合图神经网络和半空间树，通过潜在空间捕捉异常行为并高效隔离异常，适用于实时检测和不同领域的适应性。
Comments Accepted at KDD 2026
Improving Item Discoverability in e-Commerce Search via Related Intent Generation
通过相关意图生成提升电商搜索中的商品可发现性
AI总结 该研究提出两阶段混合架构的发现增强型搜索系统，通过LLM和微调SLM提升电商搜索的商品可发现性，将查询流量发现覆盖率从60%提至80%，成本仅为教师模型的30%，还可平衡市场供给。
Comments Accepted to KDD 2026 TSMO
IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval
IFCMemoryBench：评估基于大语言模型（LLM）的智能体在建筑信息模型（BIM）信息检索中的长期记忆能力
AI总结 本文推出IFCMemoryBench基准，评估基于LLM的智能体在BIM信息检索中的长期记忆，发现现有通用记忆系统在该场景下表现差，存在领域迁移差距。
Comments KDD 2026 Workshop on Evaluation and Trustworthiness of Agentic AI
SafeECGMatch: Calibration-Aware Joint Frequency and Time Space Semi-Supervised Learning for Open-Set ECG Classification
SafeECGMatch：面向开放集心电图分类的校准感知联合频率与时间空间半监督学习
机构 * Hankuk University of Foreign Studies（韩国外国语大学）
AI总结 提出SafeECGMatch框架，通过双分支架构提取时频特征，结合自适应标签平滑和温度缩放校准模型，在标签分布不匹配下实现可靠的开集分类和OOD检测。
Comments 8 pages. Accepted to the KDD 2026 - UC (The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining - Undergraduate Consortium)
Ensembling LLM-Induced Decision Trees for Explainable and Robust Error Detection
集成LLM诱导决策树用于可解释和鲁棒的错误检测
机构 * UNSW Sydney（新南威尔士大学悉尼分校） ； Data61, CSIRO（Data61, 澳大利亚联邦科学与工业研究组织）
AI总结 本文提出集成LLM诱导决策树的方法，用于可解释和鲁棒的错误检测，通过多棵树集成提升检测准确性与鲁棒性。
Comments 15 pages, 7 figures. Accepted at KDD 2026
OmniPhys: Knowledge-Graph-Driven Benchmarking and Collective Optimization for Physical Commonsense in Text-to-Image Generation
OmniPhys：文本到图像生成中物理常识的知识图谱驱动基准测试与集体优化
机构 * Zhejiang University（浙江大学） ； The University of Manchester（曼彻斯特大学） ； The University of Edinburgh（爱丁堡大学） ； Ant Group（蚂蚁集团）
AI总结 针对文本到图像模型常违反物理常识及现有基准测试不足等问题，引入基于物理知识图谱的OmniPhys基准测试，提出OmniPrompt迭代框架，经对12个模型评估，显著提升了物理一致性。
Comments accepted by KDD 2026 DB track
Sharpness-aware Model Merging with Salience Recovery for LLM-based Cross-Domain Sequential Recommendation
基于大语言模型的跨域序列推荐的锐度感知模型融合与显著性恢复
AI总结 研究基于大语言模型的跨域序列推荐中的问题，提出SharpRec框架，包含锐度感知几何对齐和偏好显著性激活模块，有效解决跨域知识冲突和性能饱和问题，实验证明其性能优于现有基准。
Comments Published in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26). 12 pages, 6 figures, 4 tables. Code available at https://github.com/muyiahhh/SharpRec
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 9-13, 2026, Jeju Island, Republic of Korea, ACM, 2026
CondPSE: A Polynomial-Filtered Structural Encoder with Conditional Modulation for Graphs
CondPSE：一种具有条件调制的多项式滤波结构编码器用于图
机构 * Sungkyunkwan University（成均馆大学）
AI总结 研究针对消息传递图神经网络局限，提出CondPSE编码器，用多项式图滤波器组和条件调制处理节点探针，预训练后冻结用作下游输入编码。在合成基准上提升结构判别准确率，在分子性质预测中与GPSE相当，探讨了其优势及局限性。
Comments Accepted as a poster at the 2nd Frontiers in Graph Machine Learning for the Large Model Era (GMLLM'26), a KDD 2026 workshop
HOBA: Hierarchical On-Policy Bidding Agents for Adaptive Online Advertising
HOBA：用于自适应在线广告的分层策略性投标代理
机构 * Kuaishou Technology（快手科技）
AI总结 针对在线广告投标系统问题，提出 HOBA 分层强化学习框架，在三个时间尺度解耦相关环节，通过实验验证其优于现有基线，大规模在线部署实现目标成本提升 3.6%，证明该范式有效。
Comments 10pages,accepted by KDD 2026 ads track
StageGuard: Physiologically Constrained Sleep Staging
StageGuard：生理约束睡眠分期
机构 * Zu Chongzhi Center, Duke Kunshan University（昆山杜克大学祖冲之中心）
AI总结 研究针对深度学习睡眠分期模型常产生违反生理不变性结果的问题，提出StageGuard框架，结合可微软过渡惩罚和半马尔可夫约束解码器，在多数据集和主干上降低违规率与碎片化指数，保持或提升准确率，降低派生统计数据误差。
Comments 12 pages. Accepted at KDD 2026 (32nd ACM SIGKDD Conference), AI for Sciences track
AGMark: Attention-Guided Dynamic Watermarking for Large Vision-Language Models
AGMark：基于注意力的动态水印技术用于大视觉-语言模型
机构 * East China Normal University（华东师范大学） ； Hasso Plattner Institute（哈索普拉特纳研究所） ； University of Potsdam（波茨坦大学）
AI总结 AGMark通过动态注意力机制提升大视觉-语言模型的水印可靠性，实现高质量生成和强视觉语义保真度。
Comments KDD 2026
When Should Active RAG Retrieve? A Budget-Aware Evaluation of Utility, Calibration, and Cost
主动检索生成式人工智能何时应进行检索？效用、校准和成本的预算感知评估
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Glasgow（格拉斯哥大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究主动检索生成式人工智能何时检索，通过将其重述为效用估计进行预算感知评估，并分离出相关三个问题，利用多种方法实现，在多数据集和模型中验证，强调评估应报告多方面指标。
Comments Accepted at the ACM SIGKDD KDD 2026 Workshop on Evaluation and Trustworthiness of Agentic AI; 7 pages, 1 figure, and 4 tables
SCTA: An Agentic Framework for Stable and Interpretable Target Gene Discovery from Single-Cell RNA Sequencing
SCTA：一种用于从单细胞RNA测序中稳定且可解释地发现靶基因的智能体框架
机构 * Novartis Biomedical Research（诺华生物医学研究公司）
AI总结 研究旨在从scRNA-seq数据中稳定且可解释地发现靶基因，提出SCTA智能体框架，将靶标发现分解为专门智能体并结合结构化证据约束推理，通过遗传性慢性胰腺炎研究验证其能提高靶标发现的多项性能。
Comments 10 pages, 4 figures. To appear in the ACM SIGKDD Workshop on Data Mining in Bioinformatics (BioKDD 2026)
Disentangling Multi-View Scanning in Mamba for Network Traffic Anomaly Detection
在用于网络流量异常检测的曼巴中解开多视图扫描
机构 * University of Electronic Science and Technology of China（电子科技大学） ； City University of Hong Kong（香港城市大学） ； Key Laboratory of Intelligent Digital Media Technology of Sichuan Province（四川省智能数字媒体技术重点实验室）
AI总结 研究网络流量异常检测，针对曼巴多视图扫描存在冗余积累问题，提出DisenMamba框架，将多视图扫描改为解缠再融合过程，有效防止不变信息积累，保留多视图线索，经实验验证其有效性并建立新范式。
Comments Accepted by KDD 2026
RoleMix: Unifying Sequential and Non-Sequential Features via Semantic Tokenization for Post-Click Conversion Rate Prediction
RoleMix：通过语义令牌化统一顺序和非顺序特征以进行点击后转化率预测
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Macau Polytechnic University（澳门理工大学） ； University of Liverpool（利物浦大学）
AI总结 针对PCVR预测中特征结构不匹配问题，提出RoleMix统一交互架构，通过语义令牌化表示顺序和非顺序证据，经两阶段处理和联合细化用于预测，在KDD Cup 2026挑战赛中表现出色，凸显保留字段语义的重要性。
Comments KDD Cup 2026 Tencent UniRec Challenge
Session-Level Optimization for Large-Scale Retrieval using REINFORCE with Multi-Step Off-Policy Correction
基于离策略强化学习的大规模生成式检索长期优化
AI总结 将推荐视为会话级序贯决策问题，用离策略REINFORCE在预收集数据上训练生成式检索器，提出多步重要性权重近似，训练用户反馈模型用于离线评估，引入测试时缩放程序，实验表明方法能改进离线估计。
Comments Accepted at the 5th Workshop on End-End Customer Journey Optimization at KDD 2026
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
SafeCRS: 为基于大语言模型的对话推荐系统实现个性化安全对齐
机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊）
AI总结 SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化，提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
Comments Accepted by SIGKDD 2026
LLM-Based Scientific Equation Discovery via Physics-Informed Token-Regularized Policy Optimization
基于大语言模型的科学方程发现：通过物理引导的令牌正则化策略优化
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； State Key Laboratory of Aerodynamics（航空动力国家重点实验室） ； School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
AI总结 本文提出PiT-PO框架，通过强化学习使LLM成为适应性生成器，生成科学一致且结构简洁的方程，提升科学发现性能。
Comments Accepted at KDD 2026. Code is available at https://github.com/CAS-CLab/PiT-PO
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Vol. 2, pp. 12195-12206, 2026
PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest
PinEqualizer：Pinterest 上的全漏斗内容探索与去偏系统
机构 * PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest（PinEqualizer：全流程内容探索与去偏系统）
AI总结 针对行业规模搜索和推荐系统的内容冷启动问题，提出 PinEqualizer 系统，跨越多阶段漏斗，减少偏差，通过可扩展框架评估。在 Pinterest 部署后，显著改善了新鲜内容探索、用户参与度和内容生态健康。
Comments 10 pages, 2 figures. Accepted at KDD 2026
Cross-Model LLM Code Review: Should you use Claude to review Codex or vice versa?
跨模型大语言模型代码审查：应该用Claude审查Codex还是相反？
机构 * University of California, Davis（加州大学戴维斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； California State University, Long Beach（长滩加州州立大学）
AI总结 研究开发者同时使用Claude和Codex进行代码审查的成本、时间及配对顺序问题，通过对116个任务的六种条件实验发现，Claude审查Codex草稿效果好，反向则不佳，有用的配对是不对称的，应Claude审查Codex。
Comments This paper had been accepted by Agentic SE @ KDD'26
