KDD

When Offline Evaluation Misleads: A Diagnostic Protocol for Reward and Policy Selection in Delayed-Feedback Contextual Bandits

当离线评估产生误导时：延迟反馈情境多臂老虎机中奖励与策略选择的诊断协议

Sang Su Lee, Vineeth Loganathan, Shishir Dash, Vijay Raghavan

机构 * Thumbtack, Inc.（Thumbtack公司） 纠错

AI总结 针对延迟反馈情境多臂老虎机的奖励与策略选择，提出有序诊断协议，验证其有效性并揭示奖励排序易误导、个性化溢价易高估的结论。

Comments Accepted at the 5th Workshop on End-to-End Customer Journey Optimization (KDD 2026)

Certifying What Helps Customer-Return Timing: A Screen-and-Confirm Test for Conditioning Signals, and Why Decay Is Nearly Enough

验证什么有助于客户退货时机：一种针对条件信号的筛选与确认测试，以及为何衰减几乎足够

Sang Su Lee, Vineeth Loganathan, Shishir Dash, Vijay Raghavan

机构 * Thumbtack, Inc.（Thumbtack公司） 纠错

AI总结 本研究提出筛选与确认协议及无模型上限工具，验证了连续时间衰减几乎可满足客户退货时机预测，而额外添加的条件信号多为冗余或有害。

Comments Accepted at the 5th Workshop on End-to-End Customer Journey Optimization (KDD 2026)

Defending against Model Extraction for GNNs with Model Reprogramming

通过模型重编程防御图神经网络的模型提取攻击

Yan Wen, Zhenyi Wang, Heng Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Central Florida（中佛罗里达大学） 纠错

AI总结 针对图神经网络的模型提取攻击，提出主动防御框架GraphRP，通过结构感知门控机制构建动态结构防火墙，可显著降低攻击有效性且保留良性效用。

Comments Accepted by KDD 2026

Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs

针对联邦条件生成对抗网络的定向标签翻转与过采样攻击

Panav Shah, Avishek Ghosh

机构 * Indian Institute of Technology, Bombay（印度理工学院孟买分校） 纠错

AI总结 本研究针对联邦条件GAN，提出并验证了标签翻转及过采样变体攻击，发现其语义损害随中毒强度线性增长、分布偏差二次增长，攻击有效且难检测。

Comments 10 pages, 8 figures, FedKDD/FedMAS 2026 - KDD Workshop

Efficient Test-Time Scaling for LLM-based Time Series Forecasting

基于大语言模型的时间序列预测的高效测试时缩放

Xuan-May Le, Minh-Tuan Tran, Ling Luo, Uwe Aickelin, Dinh Phung, Trung Le

机构 * The University of Melbourne（墨尔本大学） ； Monash University（莫纳什大学） 纠错

AI总结 本研究提出 SCALER 框架，通过轻量 Transformer 预测未来粗粒度形状引导 LLM 迭代精调，在多类预测任务中优于基线且降低推理成本。

Comments Accepted at KDD 2026 (Oral)

Retrieval-Constrained Policy Optimization for Attack Technique Extraction from Cyber Threat Intelligence

用于从网络威胁情报中提取攻击技术的检索约束策略优化

Jiayun Zhang, Junshen Xu, Zejun Xie, Yi Fan

AI总结 研究针对CTI文本提取MITRE ATT&CK技术的挑战，提出两阶段框架TTP-R1，在四个CTI基准测试中F1值最优，子技术级F1超带检索增强的Claude Sonnet 4.5且推理速度更快

Comments Accepted to the AI Agent for Information Retrieval (Agent4IR) Workshop at KDD 2026

DREAM: LLM-based Dynamic Role-playing via Event-Aware Memory Graph

DREAM：基于大语言模型的事件感知记忆图动态角色扮演

Zhihao Xiao, Mengting Li, Xintao Wang, Linfeng Li, Limin Shui, Mengqi Ji, Borui Cai

机构 * Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； School of Computer Science, Fudan University（复旦大学计算机科学技术学院） 纠错

AI总结 DREAM是一种受ABC认知模型启发的结构化记忆框架，通过EMG提升角色扮演智能体的时间与因果连贯性，在CoSER、LIFECHOICE和TCM上取得最优性能。

Comments Accepted at KDD 2026. Camera-ready version to appear. 16 pages, 5 figures

Continuous Improvement and Parallel Autonomous Exploration: An LLM-Agent Framework for Searching Large Solution Spaces

持续改进与并行自主探索：用于搜索大型解空间的大语言模型智能体框架

Dulmini Hettiarachchi, Andre Rusli, Julio Christian Young, Sho Akiyama

AI总结 该研究提出一种LLM智能体框架，含持续改进奖励循环与并行自主探索机制，在产品到目录匹配任务中，5个并行智能体的合格覆盖度较单智能体及基线显著提升。

Comments 5 pages, ACM KDD'26 Workshop on SciSoc Agents & LLMs

Less Traffic, Better Outcomes: Competition-Aware Request Dispatch in Real-Time Ad Exchanges

更少流量，更好结果：实时广告交易平台中感知竞争的请求调度

Jonaid Shianifar, Blaz Mramor, Fangda Zou, Matthieu C. Martin, Xingsheng Guo, Zhihua Zhu, Rong Zhou, Bichen Shi

AI总结 该研究针对实时广告交易平台请求过度分发的问题，提出感知竞争的请求调度框架，经在线实验验证可降低DSP请求量并提升净收入。

Comments Accepted for presentation at AdKDD 2026, the premier workshop on artificial intelligence for advertising, held in conjunction with the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Traceable Multi-Agent System for Knowledge-Based Forecasting

用于基于知识的预测的可追踪多智能体系统

Junhyeok Kang, Sangjun Han, Hyeokjun Choe, Soonyoung Lee

AI总结 本文提出可追踪多智能体预测演示系统TraceMAS，通过两类因果环图关联证据与预测，在原油价格预测中验证其可让自主智能体兼顾灵活性与过程可检查性。

Comments Accepted at KDD 2026 Workshop on Enterprise AI Agents (Oral)

FakeI2V-Bench: Benchmarking the Applicability of Image-level Deepfake Detectors for Deepfake Video Detection

FakeI2V-Bench：评估图像级深度伪造检测器在深度伪造视频检测中的适用性

Pei Li, Sihan Chen, Delong Ran, Tianshuo Cong

AI总结 本研究构建FakeI2V-Bench基准，评估图像级深度伪造检测器在视频检测中的性能，提出IV-Bridge框架聚合帧级预测，使多数图像级检测器性能超越现有视频级方法，为相关研究提供基准与新方向。

Comments To Appear in KDD 2026, Jeju, Korea, August 9-13, 2026

GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling

GeoID-PINN：考虑地理耦合的可识别性感知区域流行病推断方法

Weixiong Hua, Fan Bu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本研究提出GeoID-PINN，一种结合地理耦合与正则化的物理信息神经网络，用于区域流行病SIRD动力学推断，在模拟数据与路易斯安那州64个县COVID-19数据上均提升了预测准确性。

Comments 11 pages, 3 figures. Accepted at the 8th epiDAMIK ACM SIGKDD Workshop on Data-driven Decision Making for Public and Population Health (epiDAMIK @ KDD 2026)

The Boy Who Cried Wolf: Adversarial Misclassification of Safe Inputs as Unsafe in Multimodal Guardrails

《狼来了：多模态安全护栏中安全输入被对抗性误分类为不安全》

Shuo Shi, Rui Yin, Naen Xu, Jiahao Chen, Chunyi Zhou, Tianyu Du, Zhihui Fu, Jun Wang, Zhaoxiang Wang, Shouling Ji

AI总结 该研究针对多模态安全护栏提出不安全诱导攻击，通过不安全语义蒸馏实现84%攻击成功率，揭示了当前多模态安全架构存在安全输入被误判为不安全的可用性漏洞。

Comments Accepted by KDD 2026

Collaborative Memory Augmentation for Generative Recommendation

用于生成式推荐的协同记忆增强

Enze Liu, Zhen Tian, Wayne Xin Zhao

AI总结 针对现有生成式推荐模型未利用跨用户协同信号的问题，提出OMEGA框架，通过潜在上下文压缩、协同记忆库与目标感知检索等机制，在多数据集上显著优于现有先进模型。

Comments Accepted by KDD 2026 Research Track

RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings

RH-RAG：适用于隐私受限场景的可信长文本生成

Raj Shekhar Singh

机构 * Indian Institute of Technology, Roorkee（鲁尔基印度理工学院） 纠错

AI总结 该研究针对隐私受限场景下的长文本生成难题，提出基于本地语言模型的多智能体框架RH-RAG，通过三阶段协同生成与双层检索索引提升生成质量，且兼顾数据隐私。

Comments accepted in KDD 2026 SeT-LLM Workshop

Don't Offer What Can't Be Done: Deterministic Executability Gating for LLM Skill Selection at Scale

不要提供无法完成的任务：面向大规模LLM技能选择的确定性可执行性门控机制

Ortal Ashkenazi, Vitalii Kloz, Mykhailo Ulianchenko

机构 * Wix Israel（Wix以色列） ； Wix Ukraine（Wix乌克兰） 纠错

AI总结 该研究针对大规模LLM技能选择中不可执行技能的干扰问题，提出三阶段选择流水线，经生产分析和反事实测试，可大幅减少技能描述上下文并阻止不可执行技能影响模型选择。

Comments 7 pages, 3 figures. Preprint. Submitted to the ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2027), Applied Data Science Track; currently under review

Hierarchical Residual Policy Optimization for Generative Recommendations

用于生成式推荐的分层残差策略优化

Kaifeng Guo, Yiming Yang, Jingtong Gao, Guolei Zeng, Fukang Yang, Yukang Liang, Peng Jiang, Qingpeng Cai, Xiangyu Zhao

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

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

Yi Cui, Zilin Wang, Yijie Xu, Qianyi Cai, Huizai Yao, Shuai Jiang, Bingzhuo Zhong, Hui Xiong

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） 纠错

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

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

Zhuang Zhuang, Shanshan Feng, Hangwei Qian, Mingqi Yang, Heng Qi, Yanming Shen, Baocai Yin

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)

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

Zechen Zhang, Rui Peng Li, Yousef Saad

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

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

Ji Xin, Xiao Xiao, Ishan Bhatt, Vinesh Gudla, Trace Levinson, Raochuan Fan, Shishir Kumar Prasad, Prakash Putta, Tejaswi Tenneti

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

Changyu Du, Alexander Vosseler, Filippo Mazza, André Borrmann

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

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

Yajing Xu, Yarong Lan, Jiaoyan Chen, Yichi Zhang, Jeff Z. Pan, Mingchen Tu, Zhizhen Liu, Wen Zhang, Huajun Chen

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） 纠错

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

Huwei Ji, Jiajie Su, Yuyuan Li, Xiaohua Feng, Chaochao Chen

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

Woohyun Lee, Hogun Park

机构 * Sungkyunkwan University（成均馆大学） 纠错

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

Ji Wu, Yunshan Peng, Wentao Bai, Yunke Bai, Wenzheng Shu, Jinan Pang, Yanxiang Zeng, Xialong Liu

机构 * Kuaishou Technology（快手科技） 纠错

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

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

Pin Qian, Su Wang, Chong Peng, Junxian You, Lifei Liu, Haoran Yu, Yihang Chen, Xiaochong Jiang

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） 纠错

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

Shuyu Chen, Chen Zhu, Ye Zhang, Yang Li, Qiqi Xie, Haohan Wang

机构 * Novartis Biomedical Research（诺华生物医学研究公司） 纠错

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

Xinglin Lian, Chengtai Cao, Ting Zhong, Fan Zhou

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） 纠错

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

Wenan Wang, Qin Zhao, Zhixiang Lu

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） 纠错

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