KDD

Scaling Recommender Transformers to One Billion Parameters

将推荐器变压器扩展到十亿参数

Kirill Khrylchenko, Artem Matveev, Sergei Makeev, Vladimir Baikalov

AI总结 本文提出了一种训练十亿参数推荐器的方法，通过分解自回归学习为反馈预测和下一项预测，实现了推荐系统性能的显著提升。

Comments KDD'2026

Modeling Time-evolving Causality over Data Streams

对数据流中时间演变因果关系的建模

Naoki Chihara, Yasuko Matsubara, Ren Fujiwara, Yasushi Sakurai

机构 * SANKEN, Osaka University（SANKEN，大阪大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-鲁克勒特研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒姆研究实验室） 纠错

AI总结 本文提出ModePlait方法，用于建模数据流中时间演变的因果关系，并通过实验验证其在发现因果关系和预测未来值方面的有效性。

Comments Accepted by KDD'25

Journal ref The 31st ACM SIGKDD international conference on Knowledge discovery and data mining, 2025

Computing Approximate Pareto Frontiers for Submodular Utility and Cost Tradeoffs

计算子模 utility 和 cost 交易的近似帕累托前沿

Karan Vombatkere, Evimaria Terzi

AI总结 本文提出了一种计算子模 utility 和 cost 交易近似帕累托前沿的框架，通过高效算法探索多种权衡方案，提升子模优化的实用性。

Comments 15 pages total, including 6 page appendix Submitted to ACM SIGKDD 2026