KDD

SURE: Framework for Safety to Construct Trustworthy AI

SURE：构建可信人工智能的安全框架

Soeun Han, Jisoo Lee, Jeongyong Shim, Eunkyeong Lee, Eunmi Kim

AI总结 提出SURE框架，通过分类对抗提示、定义理想响应模板和绝对安全评分，实现可定制且可验证的人工智能安全对齐。

Comments 14 pages, 2 figures, 8 tables. Accepted to the 4th Workshop on Ethical Artificial Intelligence: Methods and Applications (EAI) at KDD 2025

Algorithmic Harms Associated with Generative Model-Augmented Recommendation Systems

生成模型增强推荐系统相关的算法危害

Christine Herlihy, Xumei Xi, Shloka Desai, Kevin Bannerman Hutchful, Pedro Silva

AI总结 本研究扩展了算法危害分类法，分析生成模型增强推荐系统可能引发的新型及内生危害，并提供因果分析以支持检测与缓解。

Comments Presented at the KDD 2025 Workshop on Online and Adaptive Recommender Systems (OARS), August 3, 2025, Toronto, Ontario, Canada

An End-to-End Pipeline for Causal ML with Continuous Treatments: An Application to Financial Decision Making

具有连续治疗变量的因果机器学习端到端流水线：金融决策应用

Javier Moral Hernández, Clara Higuera-Cabañes, Álvaro Ibraín

机构 * BBVA（毕尔巴鄂比斯开银行） 纠错

AI总结 本文提出一个六步骤端到端因果机器学习流水线，处理连续治疗变量，包含正性违反检测、两阶段降维等方法，在金融债务催收合成数据上验证，比标准方法更高效且偏差更小。

Comments Oral presentation at the 3rd Workshop on Causal Inference and Machine Learning in Practice, KDD 2025, Toronto. Code: https://github.com/javiermoralh/causal-pipeline

DeGRe: Dense-supervised Generative Reranking for Recommendation

DeGRe: 密集监督的生成式重排序用于推荐

Chaotian Song, Jingyao Zhang, Chenghao Chen, Zisen Sang, Dehai Zhao, Guodong Cao, Boxi Wu, Deng Cai, Jia Jia

机构 * College of Software, Zhejiang University Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Beijing China ； State Key Lab of CAD\&CG, Zhejiang University Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Shanghai China ； College of Software, Zhejiang University ； Rajax Network Technology, Taobao Shangou of Alibaba ； State Key Lab of CAD\&CG, Zhejiang University 纠错

AI总结 提出DeGRe框架，通过离线探索中的密集监督信号（Lookahead Evaluator）指导在线生成器（Online Generator）进行单步贪婪解码，解决重排序中的启发式标签偏差和信用分配问题。

Comments Accepted to KDD 2026 ADS Track (Oral). Best Paper Award Honorable Mention

When Does Adversarial Refinement Help? A Negative Result and Open Problem in Adapting R3GAN to Time Series Imputation

对抗性细化何时有帮助？将R3GAN适配到时间序列插补的负结果与开放问题

Yufeng He

机构 * The University of Hong Kong（香港大学） 纠错

AI总结 本研究将R3GAN适配到时间序列插补，发现对抗性细化在多数配置下无效或有害，并指出判别器无法提供有效细化梯度的原因是一个开放问题。

Comments 4 pages, 1 figure, 2 tables. Accepted at the 12th Workshop on Mining and Learning from Time Series (MiLeTS 2026), held with KDD 2026. This arXiv version incorporates a post-workshop reproducibility audit of the saved runs. Code: https://github.com/he-yufeng/adversarial-refinement-imputation

Hybrid GPU-CPU Retrieval for Personalized Search at Ultra-Large Scale

超大规模个性化搜索的GPU-CPU混合检索

Hao Fu, Jichao Sun, Baiting Zhu, Qiaoling Liu, Yan Shi, Cheng Lu, Liu Liu, Yubo Wang, Xin Yao, Xiangyu Niu, Xu Dong, Wenhan Lyu, Chiyao Shen, Yinjie Huang, Minglei Chen, Shuai Ding, Li Fan, Xiao Kong

机构 * Meta Platforms, Inc.（元平台公司） 纠错

AI总结 针对万亿级个性化搜索的规模悖论，提出GPU-CPU混合协同检索系统，GPU处理深度交互预排序，CPU覆盖更广库存，经A/B测试验证提升相关性与参与度。

Comments 10 pages, 5 figures, 9 tables. ACM sigconf format; submitted to the KDD 2027 Applied Data Science Track

Verify, Don't Trust: Agentic Model Development for Video Discovery Retrieval at Scale

验证而非信任：面向规模化视频发现检索的智能体模型开发

Hao Fu, Baiting Zhu, Minglei Chen, Yinjie Huang, Shuai Ding

机构 * Meta Platforms, Inc.（元平台公司） 纠错

AI总结 针对在线自动研究中的无效结论问题，提出人工门控的EvoPilot方法，通过角色智能体、版本化技能和持久化验证，在37天视频检索活动中纠正评估缺陷并实现离线3.20个百分点改进和在线0.66%相对提升。

Comments 9 pages, 1 figure, 8 tables. ACM sigconf format; submitted to the KDD 2027 Applied Data Science Track

Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge

序列建模上的稠密特征表示：KDD Cup 2026 UniRec挑战赛的一种解决方案

Yi Zhang, Weiliang Ji

AI总结 针对KDD Cup 2026腾讯UniRec挑战赛，我们通过稠密特征表示与优化提升CVR预测AUC至0.828535，并揭示序列建模贡献微小及验证集高估风险。

Comments 6 pages, 1 figure, 4 tables. KDD Cup 2026 Tencent UniRec Challenge Workshop

Pre-training with Graph Transformers

使用图变换器进行预训练

Jiaming Wang, Thomas Laurent, Xavier Bresson

机构 * National University of Singapore（新加坡国立大学） ； Loyola Marymount University（洛约拉马利蒙特大学） 纠错

AI总结 本文通过实验探究生物化学领域图变换器的预训练策略，发现基于计算属性的监督预训练效果最佳，并强调限制模型容量以防过拟合。

Comments 4 pages, 1 table. DLG-KDD 2023 workshop paper

B2B Customer Conversion Prediction: A Document Representation, Graph Theory, and CatBoost Driven Methodology

B2B客户转化预测：一种基于文档表示、图论与CatBoost的方法

Tianqi Wang, Sheikh Shams Azam, Wan Eih Huang, Anton Wiranata, Christopher G. Brinton, Jan P. Allebach

机构 * Purdue University（普渡大学） ； Apple（苹果公司） ； Amazon（亚马逊公司） ； HP Inc.（惠普公司） 纠错

AI总结 针对B2B客户转化预测问题，该研究提出结合文档表示、图论与CatBoost的方法，实现91%的预测准确率，并探讨了个性化营销活动推荐方案。

Comments 10 pages, 6 figures. Presented at the 2nd Workshop on End-End Customer Journey Optimization at KDD 2023

SIMS: Scale-Invariant Merit-Function-Based Scalarization for Multi-Task Learning

SIMS：基于尺度不变的 Merit 函数标量化方法用于多任务学习

Zebin Chen, Fei Xing, Yang Chen, Hua Liu, Andy HF Chow, Yuhua Qian, Yu Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； City University of Hong Kong（香港城市大学） ； Shanxi University（山西大学） 纠错

AI总结 针对多任务学习中目标尺度差异导致优化失衡的问题，提出尺度不变的 merit 函数标量化方法（SIMS），通过对数变换实现尺度不变性，保持弱 Pareto 最优性，并在多任务基准上取得最先进性能。

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

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), pp. 520-531, 2026

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

Hyungseok Song, Junseok Park, Won-Seok Choi, Seohui Bae, Han-Seul Jeong, Youngjoon Park, Soonyoung Lee

机构 * LG AI Research（LG人工智能研究院） 纠错

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

CARRE: Counterfactual Action Retrieval and Reason Evaluation for Explainable Churn Prescription

CARRE：用于可解释流失处方的反事实行动检索与原因评估

Minjoo Kim, Sangjin Park, Seung Hwan Cho

机构 * Hanyang University（汉阳大学） 纠错

AI总结 CARRE提出三阶段框架，结合检索增强生成、成本感知反事实评分和LLM推理，在IBM流失数据集上显著优于SHAP基线，实现可解释的流失处方。

Comments 14pages, 1 figure, Accepted at Workshop on 5th End-to-End Customer Journey Optimization at the International Conference on Knowledge Discovery and Data Mining

SafeImpute: Reliable Clinical Data Imputation via Conformal Selection

SafeImpute：通过共形选择实现可靠的临床数据插补

Xinrui He, Mengting Ai, Junting Wang, Curtiss B. Cook, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Mayo Clinic（梅奥诊所） 纠错

AI总结 研究临床数据插补问题，提出SafeImpute框架，通过构建事件图、利用双关系GNN和自适应融合学习插补，并结合共形选择控制不可接受误差，实验证明该方法在插补准确性和可靠误差控制上优于基线。

Comments Accepted at KDD 2026. Author accepted manuscript

LLMAR: A Tuning-Free Recommendation Framework for Sparse and Text-Rich Industrial Domains

LLMAR：一种适用于稀疏且文本丰富的工业领域的无调优推荐框架

Ryogo Hishikawa, Ichiro Kataoka, Shinya Yuda

机构 * Hitachi, Ltd. Research and Development Group（日立株式会社研发部门） ； Hitachi Power Solutions Co., Ltd.（日立电力解决方案公司） 纠错

AI总结 LLMAR通过无调优框架整合大语言模型推理，捕捉用户潜在动机，解决工业领域数据稀疏问题，提升推荐准确率和效率。

Comments Accepted at PILA '26: Workshop on Personal Intelligence in the Agentic AI Era, co-located with ACM SIGKDD KDD 2026, Jeju, Korea. Non-archival workshop; not included in the KDD 2026 proceedings. Workshop page: https://pila26-workshop.github.io/ 10 pages, 3 figures. Code: https://github.com/hishikawa-hitachi/kdd-pila-2026-submission-code

Divergence-Based Similarity Function for Multi-View Contrastive Learning

基于分歧的多视图对比学习相似度函数

Jaehyoung Jeon, Cheolsu Lim, Myungjoo Kang

机构 * Department of Mathematics, Seoul National University（首尔国立大学数学系） ； Research Institute of Mathematics, Seoul National University（首尔国立大学数学研究所） 纠错

AI总结 本文提出基于分歧的多视图对比学习相似度函数，通过分布分歧建模多视图联合结构，提升多种任务性能并提高效率。

Comments 9 pages, 5 figures. Code and Pretrained Model: https://github.com/Jeon789/DSF. Published in the proceedings of PAKDD 2026

Journal ref Advances in Knowledge Discovery and Data Mining (PAKDD 2026), LNAI 16598, pp. 54-66, Springer, 2026

In Medical Claims Data, Enhancing Predictive Performance for Major Adverse Cardiovascular Events Using Cross Attention

在医疗索赔数据中，利用交叉注意力提升主要不良心血管事件的预测性能

Yuhei Fujioka, Daitaro Misawa, Tatsuyoshi Ikenoue, Shingo Fukuma

机构 * Kyoto University Graduate School of Medicine（京都大学医学研究科） ； Cancerscan Inc.（Cancerscan 公司） ； Shiga University（滋贺大学） 纠错

AI总结 本研究利用交叉注意力机制整合医疗索赔数据中的诊断与治疗关系，生成更具代表性的特征，显著提升了主要不良心血管事件（MACE）的预测性能，ROC-AUC达0.7720，优于多个基准模型。

Comments 13pages, 3 figures. Accepted to KDD 2024 AIDSH workshop

REFINE: Trajectory Representation Learning via Closed-Loop Transcription -- Extended Version

REFINE：通过闭环转录进行轨迹表示学习——扩展版

Sean Bin Yang, Ying Sun, Jilin Hu, Zongyi Xu, Kristian Torp, Hua Lu, Bin Yang, Christian S. Jensen

机构 * Aalborg University（奥尔堡大学） ； East China Normal University（华东师范大学） 纠错

AI总结 REFINE提出闭环转录框架，结合路网感知重建与反馈对比学习，实现高效可扩展的轨迹表示学习，在四个数据集上优于现有方法。

Comments This paper is an extended version of REFINE, which was published at KDD 2026

Risk Is Not Review Value: Wrong-Answer Exposure Under Bounded Review Budgets

风险并非评审价值：有限评审预算下的错误答案暴露

SangJin Park, Myungsub Choi, Jineok Kim, Minseung Kang

机构 * Tynapse（泰纳普斯） 纠错

AI总结 本文提出评审价值模型，结合错误程度、干预可行性、影响和成本来优化有限预算下的答案评审排序，通过WAER和PRRE指标在TAT-QA/SciFact基准上验证，显著降低修复后残余暴露。

Comments Accepted at SeT-LLM 2026 Workshop, KDD 2026

Do Depressive Facial Patterns Transfer Across Cultures and Contexts? Evidence from a German RCT and E-DAIC

抑郁面部模式是否跨文化和情境迁移？来自德国随机对照试验和E-DAIC的证据

Misha Sadeghi, Robert Richer, Lydia Helene Rupp, Lena Schindler-Gmelch, Marie Keinert, Farnaz Rahimi, Malin Hager, Bernhard Egger, Matthias Berking, Bjoern M. Eskofier

机构 * FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； LMU München（慕尼黑大学） ； Helmholtz Zentrum München（亥姆霍兹慕尼黑中心） 纠错

AI总结 本研究通过德国RCT与E-DAIC的双向迁移实验，发现功能情境对齐决定跨语料库泛化，被动观察情境下抑郁面部模型迁移最佳，二元分类优于连续回归。

Comments 12 pages, 3 figures. Presented at the ACM KDD 2026 Workshop on AI for Cognitive and Mental Health Support (AI4Mental), Jeju, South Korea

Journal ref ACM KDD 2026 Workshop on AI for Cognitive and Mental Health Support (AI4Mental), Jeju, South Korea, August 9, 2026

FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design

FuseDiff: 保留对称性的双目标结构导向药物设计联合扩散

Jianliang Wu, Anjie Qiao, Zhen Wang, Zhewei Wei, Sheng Chen

机构 * Sun Yat-sen University（中山大学） ； Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） 纠错

AI总结 FuseDiff通过端到端扩散模型联合生成双目标结合姿态，保留对称性并实现高精度药物设计。

Comments KDD 2026

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

Yue Li, Xin Yi, Dongsheng Shi, Yongyi Cui, Gerard de Melo, Linlin Wang

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） 纠错

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

Rewarding Engagement and Personalization in Popularity-Based Rankings Amplifies Extremism and Polarization

在基于流行度的排名中奖励参与和个性化会加剧极端化和极化

Jacopo D'Ignazi, Emma Fraxanet Morales, Andreas Kaltenbrunner, Gaël Le Mens, Fabrizio Germano, Vicenç Gómez

AI总结 通过实证驱动的模型、模拟和人类实验，揭示排名算法在用户位置偏差、同质偏好、极端用户活跃和流行度反馈条件下，奖励主动参与和个性化排名会不可避免地推动极端化和极化新闻消费。

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V. 2, pp. 875-886. 2026

The Role of Information Diffusion in the Evolution of Social Networks

信息扩散在社交网络演化中的作用

Lilian Weng, Jacob Ratkiewicz, Nicola Perra, Bruno Gonçalves, Carlos Castillo, Francesco Bonchi, Rossano Schifanella, Filippo Menczer, Alessandro Flammini

AI总结 该研究通过分析纵向微博数据，发现除三元闭包外，基于信息流量的捷径也是社交网络演化的关键机制，且用户关注策略存在高度异质性，高影响力活跃用户会提升信息扩散效率。

Comments 9 pages, 10 figures, 2 tables

Journal ref Proc. 19th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2013)

When Retrieval Helps: Selective Retrieval for Single-Turn Mental-Health QA

检索何时有益：面向单轮心理健康问答的选择性检索

Hyunseo Oh, Chong-Kwon Kim, Yoonhyuk Choi

机构 * Korea Institute of Energy Technology（韩国能源技术研究院） 纠错

AI总结 本研究针对单轮心理健康问答，提出选择性检索策略，在CounselBench系列基准实验中验证其可平衡检索的针对性提升与安全风险，优于闭卷及始终检索设置。

Comments 8 pages, 3 figures. Presented at the KDD 2026 Undergraduate Consortium

Reflect-SQL: A Self-Reflection Based Framework for Text-to-SQL

Reflect-SQL：一种基于自反思的Text-to-SQL框架

Anupreksha Jain, Manish Shrivastava

机构 * International Institute of Information Technology Hyderabad（国际信息技术研究所海得拉巴分校） 纠错

AI总结 Reflect-SQL是一种基于多阶段自反思的Text-to-SQL框架，通过LLM作为评判者的反馈循环优化结果，在BIRD基准上实现72.03%执行准确率，显著优于现有方法，提升了企业数据访问的可靠性。

Comments Accepted in PAKDD 2026

Journal ref In: Trends and Applications in Knowledge Discovery and Data Mining (PAKDD 2026 Workshops), pp. 74-86, Springer, 2026. Print ISBN: 978-981-92-2013-7, eBook ISBN: 978-981-92-2014-4

MemeBridge: A Dataset for Benchmarking and Mitigating the Bidirectional Cultural Gap in Meme Interpretation

MemeBridge：用于基准测试和缓解梗图理解中双向文化差异的数据集

Hangxiao Zhu, Suliu Qin, Zhuoyan Li, Ming Jiang, Yu Zhang, Meng Xia

机构 * Texas A&M University（德克萨斯农工大学） ； Purdue University（普渡大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 该研究构建了针对美国起源梗图的双向文化数据集MemeBridge，用于测试跨文化理解，发现LLM跨文化理解能力不足，用MemeBridge微调可提升模型性能。

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Vol. 1 (KDD '26), 2026

UME: A Unified Meta-Generalization Framework for Cross-Domain ETA

UME：跨域ETA的统一元泛化框架

Duo Wang, Qiong Wu, Jianguo Wu, Ruiyu Xu, Jinhui Yi, Zhonggen Sun, Zhentao Zhang, Yu Zhang, Ke Xing, Yongjun Yin, Zishuo Li, Jianwen Huang

机构 * Peking University（北京大学） ； Meituan（美团） 纠错

AI总结 针对即时物流中跨域ETA预测的零样本泛化、特征缺失和知识迁移问题，提出基于超网络元学习的统一双分支架构UME，通过元模块动态调制特征门控、专家注意力和最终预测，并在美团Keeta平台部署验证。

Journal ref KDD '26: Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Vol. 2 (2026), 8112-8123

PathCRF: Ball-Free Soccer Event Detection via Possession Path Inference from Player Trajectories

PathCRF: 通过球员轨迹的控球路径推断实现无球足球事件检测

Hyunsung Kim, Kunhee Lee, Sangwoo Seo, Sang-Ki Ko, Jinsung Yoon, Chanyoung Park

机构 * KAIST（韩国釜山科学技术院） ； Fitogether Inc.（Fitogether公司） ； University of Seoul（首尔大学） 纠错

AI总结 提出PathCRF框架，仅利用球员轨迹数据，通过将轨迹建模为动态图并采用条件随机场（CRF）推断控球路径，实现无球足球事件检测，降低对人工标注和球轨迹数据的依赖。

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

A Unified Approach to Interpretable Causal Root Cause Attribution

可解释性因果根因归因的统一方法

Jing Zhou, Dominik Janzing, Sepp Tsang, Patrick Blöbaum, Marco Visentini Scarzanella

AI总结 针对复杂电商系统的指标变化根因归因，提出结合结构因果信息的统一方法，兼顾可解释性、效率与因果有效性，提升了根因归因的准确性。

Comments Accepted by KDD workshop 2026