KDD

Integrating Chain-of-Thought into Generative Retrieval: A Preliminary Study

将链式思维整合到生成检索中：一项初步研究

Wenhao Zhang, Ruihao Yu, Yi Bai, Zhumin Chen, Pengjie Ren

AI总结 本文提出ThinkGR框架，通过将链式思维与文档ID生成相结合，提升生成检索在复杂查询中的表现，实验表明其在多跳检索基准上平均提升6.86%。

Comments This work was initially submitted to kdd 2026 in August 2025

CoFEH: LLM-driven Feature Engineering Empowered by Collaborative Bayesian Hyperparameter Optimization

CoFEH: 由协作贝叶斯超参数优化赋能的LLM驱动特征工程

Beicheng Xu, Keyao Ding, Wei Liu, Yupeng Lu, Bin Cui

机构 * School of CS \& Key Lab of High Confidence Software Technologies (MOE), Peking University Beijing China ； School of CS \& Beijing Key Laboratory of Software ； Hardware Cooperative Artificial Intelligence Systems, Peking University Beijing China ； School of CS \& Key Lab of High Confidence Software Technologies (MOE), Peking University ； Hardware Cooperative Artificial Intelligence Systems, Peking University 纠错

AI总结 本文提出CoFEH框架，通过结合LLM驱动的特征工程和贝叶斯超参数优化，实现鲁棒的端到端AutoML，解决了传统方法在搜索空间刚性和缺乏领域意识的问题，并引入互条件机制提升FE与HPO的协同效果。

Comments Accepted at KDD 2026. Extended version with full appendices

Learning Emergent Modular Representations in Multi-modality Medical Vision Foundation Models

在多模态医学视觉基础模型中学习涌现的模块化表示

Yuting He, Chenyu You, Shuo Li

机构 * Case Western Reserve University（凯斯西储大学） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出Director-Experts (DEX)框架，通过调控模块化动态，在多模态医学视觉基础模型中学习稳定的模块化表示，并在新的医学视觉基准数据集上验证了其在26个下游任务中的优越性。

Comments Accepted by KDD 2026

Beyond Benchmark Islands: Toward Representative Trustworthiness Evaluation for Agentic AI

超越基准岛屿：面向代理AI的代表性可信度评估

Jinhu Qi, Yifan Li, Minghao Zhao, Wentao Zhang, Zijian Zhang, Yaoman Li, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； Macao Polytechnic University（澳门理工学院） ； Jilin University（吉林大学） 纠错

AI总结 本文提出了一种基于五属性的代理可信度定义，并引入了Holographic Agent Assessment Framework（HAAF）框架，通过场景 manifold 的静态策略分析、沙盒模拟、社会伦理对齐评估和分布感知采样，实现对代理系统在社会技术场景中的可信度评估，展示了其在13个模型家族上的跨家族迁移实验结果。

Comments 9 pages, 3 figures, 8 tables. Submitted to the Agent4IR Workshop at KDD 2026

FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation

FD-Bench: 一种模块化且公平的用于数据驱动流体模拟的基准测试

Haixin Wang, Ruoyan Li, Fred Xu, Fang Sun, Kaiqiao Han, Zijie Huang, Ching Chang, Xiao Luo, Wei Wang, Yizhou Sun

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出FD-Bench，一个模块化、公平、全面且可重复的数据驱动流体模拟基准测试，通过统一的实验设置评估85个基线模型，解决可重复性和可比性问题，为未来数据驱动流体模型的稳健评估奠定基础。

Comments 32 pages, 20 figures, paper accepted by KDD 2026