KDD

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)