KDD - arXivDaily 期刊&会议

2405.16409 2026-04-21 cs.AI cs.LG

Network Interdiction Goes Neural

神经网络中的网络拦截

Lei Zhang, Zhiqian Chen, Chang-Tien Lu, Liang Zhao

机构 * Department of Computer Science（计算机科学系）； Department of Computer Science and Engineering（计算机科学与工程系）； Virginia Tech（弗吉尼亚理工学院）； Mississippi State University（密苏里州立大学）； Emory University（埃默里大学）

AI总结本文提出利用多分区图神经网络解决双层优化的网络拦截问题，通过将问题转化为混合整数线性规划实例，提升模型泛化能力，在两个任务中优于理论基线模型和传统精确求解器。

Journal ref Proc. 31st ACM SIGKDD Conf. on Knowledge Discovery and Data Mining (KDD 2025), pp. 3774-3785

2604.16459 2026-04-21 eess.AS cs.AI cs.CV cs.LG cs.SD eess.SP

Deep Hierarchical Knowledge Loss for Fault Intensity Diagnosis

深度层次知识损失用于故障强度诊断

Yu Sha, Shuiping Gou, Bo Liu, Haofan Lu, Ningtao Liu, Jiahui Fu, Horst Stoecker, Domagoj Vnucec, Nadine Wetzstein, Andreas Widl, Kai Zhou

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院）； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）人工智能学院）； School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）； School of Computer, Luoyang Institute of Science and Technology（洛阳理工学院计算机学院）； Frankfurt Institute for Advanced Studies（法兰克福先进研究 institute）； SAMSON AG（SAMSON公司）

AI总结本文提出深度层次知识损失框架，通过层次树损失和焦点层次树损失提升故障诊断的识别能力，实验表明在多个工业数据集上优于现有方法。

Comments The paper has been accepted by Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)