Causal methods for LLM development and evaluation
因果方法在LLM开发与评估中的应用
机构 * Imperial College London（帝国理工学院伦敦分校） ； University of Toronto（多伦多大学）
AI总结 本文提出因果方法可解决LLM开发与评估中的关键因果问题，并系统梳理其在预训练、对齐、路由等环节的应用机会。
Comments Published in KDD 2026
期刊&会议
KDD
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
NPSolver: Neural Poisson Solver with Iterative Physics Supervision
NPSolver: 具有迭代物理监督的神经泊松求解器
机构 * Gaoling School of Artificial Intelligence（高岭人工智能学院） ； Renmin University of China（中国人民大学） ； School of Mechanics and Engineering Science（力学与工程科学学院） ； Peking University（北京大学） ； AI for Science Institute（AI for Science研究院） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 提出NPSolver，通过迭代物理监督（利用少量PCG步骤）训练无标签的神经泊松求解器，并引入边界感知Transolver架构，在2D/3D不规则几何上优于物理信息和数据驱动基线。
Comments kdd 2026
DeGRe: Dense-supervised Generative Reranking for Recommendation
DeGRe: 密集监督的生成式重排序用于推荐
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
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)
Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction
学习单细胞扰动预测的潜在动态因果过程
机构 * AIML, Adelaide University（AIML，阿德莱德大学） ； Responsible AI Research Centre（负责任人工智能研究中心） ； Monash University（莫纳什大学） ； University of New South Wales（新南威尔士大学）
AI总结 提出一种潜在动态因果生成模型（CITE-VAE），联合捕获潜在细胞程序、扰动条件机制和时间演化，实现单细胞扰动预测的分布外泛化。
Comments Accepted to SIGKDD 2026 AI4Science Track
BacktestBench: Benchmarking Large Language Models for Automated Quantitative Strategy Backtesting
BacktestBench：面向自动化量化策略回测的大语言模型基准测试
机构 * Beijing Normal University（北京师范大学） ； Elmleaf Ltd.（Elmleaf公司）
AI总结 提出首个大规模自动化量化回测基准BacktestBench，包含18,246个问答对，并设计多智能体基线AutoBacktest，通过协调摘要器、检索器和编码器实现自然语言策略到可重复回测的转换。
Comments This paper has been accepted by KDD 2026 (Datasets and Benchmarks Track)
Uncertainty-Calibrated Recommendations for Low-Active Users
低活跃用户的不确定性校准推荐
机构 * Stanford University（斯坦福大学） ； ByteDance Inc.（字节跳动公司）
AI总结 提出一个生产就绪的框架，通过校准模型不确定性来为低活跃用户实施风险规避的去增强策略，为高活跃用户采用风险寻求的UCB策略，从而平衡推荐可靠性与多样性。
Comments Accepted to the Applied Data Science (ADS) track at 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), August 09--13, 2026, Jeju Island, Republic of Korea
MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models
MindAdapter: 跨被试脑到视觉解码模型的少样本参数高效残差校准
机构 * Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Agency for Science, Technology and Research（科技研究局） ； New York University（纽约大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系）
AI总结 提出MindAdapter框架，通过解耦的线性-残差级联对齐和拓扑锚定双流流形约束，实现跨被试脑到视觉解码的少样本参数高效校准。
Comments Accepted to KDD 2026 (AI4Sciences Track). 15 pages, 7 figures
VaaWIT: Visual-Aware Adaptation of Large Language Models for Multilingual Web Image Translation
VaaWIT: 面向多语言网页图像翻译的大语言模型视觉感知适配
机构 * The Hong Kong University of Science（香港科技大学） ； Tianjin University（天津大学） ； Tsinghua University（清华大学）
AI总结 针对网页图像翻译中视觉表示差距问题，提出VaaWIT框架，通过双流注意力模块和视觉感知适配器，实现大语言模型对细粒度视觉特征的动态融合，在多个基准上超越开源模型并接近闭源模型性能。
Comments Accepted by KDD 2026
Rethinking Federated Unlearning via the Lens of Memorization
通过记忆视角重新思考联邦遗忘学习
机构 * Royal Melbourne Institute of Technology（皇家墨尔本理工学院） ； Griffith University（格里菲斯大学） ； Swinburne University of Technology（斯威本理工大学）
AI总结 针对联邦学习中遗忘数据与保留数据重叠导致遗忘无效和客户端不公平的问题，提出基于分组记忆评估的联邦记忆剪枝方法，通过重置负责记忆的冗余参数实现高效遗忘。
Comments This paper has been accepted by SIGKDD 2026
NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models
NSR-Boost：一种面向工业遗留模型的神经符号残差提升框架
机构 * Tianjin University（天津大学） ； Qfin Holdings, Inc.（Qfin控股公司）
AI总结 针对工业遗留模型升级成本高、风险大的问题，提出非侵入式神经符号残差提升框架NSR-Boost，通过残差定位、LLM生成符号专家和轻量聚合器动态集成，显著提升性能并降低坏账率。
Comments Accepted by KDD 2026
Random-Access Ranked Retrieval and Similarity Search
随机访问排序检索与相似性搜索
AI总结 针对现代交互式数据系统中基于排序检索和相似性搜索的动态排序问题，提出随机访问扩展，通过基于几何排列和ε采样的算法实现对数查询时间与线性空间复杂度，并引入κ-随机访问排序检索的松弛变体及分层采样数据结构，在大规模高维数据上验证了高效性。
Comments Accepted at KDD'26
