Meta

RankGraph-2: Lifecycle Co-Design for Billion-Node Graph Learning in Recommendation

RankGraph-2：十亿节点图学习在推荐中的生命周期协同设计

Renzhi Wu, Zikun Cui, Junjie Yang, Tai Guo, Hong Li, Xian Chen, Li Yu, Ke Pan, Sri Reddy, Mahesh Srinivasan, Nipun Mathur, Haomin Yu, Hong Yan

机构 * Meta Platforms（Meta平台） 纠错

AI总结 针对十亿规模图检索中图构建、表示学习与实时服务三阶段孤立的问题，提出RankGraph-2框架，通过协同设计各阶段（如联合训练聚类索引、预计算邻域等），在降低83%服务计算成本的同时，召回率比GAT+Deep Graph Infomax高3.8倍，并带来CTR和CVR提升。

Simpson's Paradox in Behavioral Curves: How Aggregation Distorts Parametric Models of User Dynamics

辛普森悖论在行为曲线中的体现：聚合如何扭曲用户动态的参数模型

Chao Zhou

机构 * Meta Platforms, Inc.（Meta平台公司） 纠错

AI总结 研究揭示聚合数据导致的行为曲线辛普森悖论，通过不同平台的数据展示生存偏差影响，提出合成空校准方法降低误判率。

Comments Withdrawn by the authors: the central empirical result does not reproduce under reanalysis; the reported curve peaks are artifacts of fitting a peaked model to near-flat data. Withdrawn pending a corrected analysis

Learning to Reason for Factuality

学习进行事实性推理

Xilun Chen, Ilia Kulikov, Vincent-Pierre Berges, Barlas Oğuz, Rulin Shao, Gargi Ghosh, Jason Weston, Wen-tau Yih

机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学） 纠错

AI总结 研究推理大型语言模型在事实性推理方面的问题，提出同时考虑事实精度、响应细节和答案相关性的新型奖励函数，应用在线强化学习，使模型在长篇事实性基准测试中幻觉率降低、答案细节提升且响应帮助性无降。

Comments ICML 2026