KDD

AdaKoop: Efficient Modeling of Nonlinear Dynamics from Nonstationary Data Streams with Koopman Operator Regression

AdaKoop: 基于Koopman算子回归的非平稳数据流非线性动力学高效建模

Naoki Chihara, Ren Fujiwara, Yasuko Matsubara, Yasushi Sakurai

机构 * SANKEN, The University of Osaka（SANKEN大学） 纠错

AI总结 提出AdaKoop，一种基于Koopman算子理论和概率框架的流式算法，通过将非线性动力学表示为线性系统，实现对非平稳数据流的高效、稳定建模，并在71个基准数据集上超越现有方法。

Comments Accepted by KDD'26

Journal ref The 32nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2026

Expectations vs. Realities: The Cost of MSE-Optimal Forecasting Under Conditional Uncertainty

期望与现实：条件不确定性下MSE最优预测的成本

Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

机构 * The University of Bristol（布里斯托尔大学） 纠错

AI总结 本文通过条件不确定性间隙理论证明多步时间序列预测中MSE最优与边际真实性存在根本性权衡，并实证表明小幅牺牲MSE（≤5%）可显著提升边际真实性（中位数17.3%）。

Comments 12 pages, Accepted for KDD 2026 Research track

Stationarity-Aware Retrieval-Augmented Time Series Forecasting

平稳性感知的检索增强时间序列预测

Shiqiao Zhou, Holger Schöner, Zipeng Wu, Edouard Fouché, IAG Wilson, Shuo Wang

机构 * University of Birmingham（伯明翰大学） ； Siemens AG（西门子有限公司） 纠错

AI总结 提出SARAF框架，通过自适应平衡检索相关性与多样性，并利用平稳性感知聚合，提升非平稳时间序列预测的准确性和鲁棒性。

Comments Accepted by KDD 2026 research track

Beyond Static Priors: Dynamic Neural Guidance for Large-Scale Ant Colony Optimization

超越静态先验：大规模蚁群优化的动态神经引导

Dat Thanh Tran, Van Khu Vu, Yining Ma

机构 * Center for AI Research（人工智能研究中心） ； VinUniversity（文大学） ； College of Engineering and Computer Science（工程与计算机科学学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出DyNACO框架，通过周期性观察信息素分布和当前解实现动态神经引导，结合扰动ACO后端和范围受限的细化机制，在TSP上扩展至10万节点并优于神经基线，在CVRP上以<1%神经开销持续改进无引导基线。

Comments Accepted at KDD 2026

Scalable Uncertainty Quantification for Extreme Weather Forecasting via Empirical Neural Tangent Kernels

基于经验神经正切核的极端天气预报可扩展不确定性量化

Jose Marie Antonio Miñoza, Rex Gregor Laylo, Sebastian C. Ibañez

机构 * Center for AI Research（人工智能研究中心） ； Department of Education（教育部门） ； Makati Philippines（马卡蒂菲律宾） 纠错

AI总结 本文提出基于神经正切核的不确定性量化方法，利用最后一层经验特征，通过方差崩溃机制和分解性能分析，实现无需重训练的极端天气自适应预测区间。

Comments Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26)

Treatment Effect Estimation with Differentiated Networked Effect on Graph Data

图数据上具有差异化网络效应的处理效应估计

Xiaofeng Lin, Han Bao, Hisashi Kashima

机构 * Kyoto University（京都大学） ； The Institute of Statistical Mathematics（统计数学研究所） ； Tohoku University（东北大学） ； RIKEN AIP（理化学研究所AIP） 纠错

AI总结 针对图数据中个体处理效应估计受邻居干扰且存在差异化网络效应的问题，提出一种结合部分注意力机制和消息放大器的干扰建模方法，以捕获邻居重要性和规模差异，提升估计精度。

Comments Accepted by the research track of the KDD 2026 conference

Breaking the Likelihood Trap: Consistent Generative Recommendation with Graph-structured Model

打破似然陷阱：基于图结构模型的一致性生成式推荐

Qiya Yang, Xiaoxi Liang, Zeping Xiao, Ying Cao, Yingjie Deng, Yuxin Ren, Yalong Wang, Yongqi Liu

AI总结 针对重排序中似然陷阱导致序列重复且质量低的问题，提出CONGRATS方法，通过图结构模型扩展解码空间并显式建模物品依赖，结合一致性可微训练直接学习用户偏好，显著提升推荐质量与多样性。

Comments Accepted by KDD 2026

Conditional PED-ANOVA: Hyperparameter Importance in Hierarchical & Dynamic Search Spaces

条件PED-ANOVA：层次与动态搜索空间中的超参数重要性

Kaito Baba, Yoshihiko Ozaki, Shuhei Watanabe

机构 * Preferred Networks, Inc.（Preferred Networks公司） ； The University of Tokyo（东京大学） ； SB Intuitions Corp.（SB Intuitions公司） 纠错

AI总结 提出条件PED-ANOVA框架，用于估计条件搜索空间中超参数的重要性，通过闭式估计器准确反映条件激活和域变化，实验证明其优于朴素适应方法。

Comments 20 pages, 15 figures. Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Dynamic Content Moderation in Livestreams: Combining Supervised Classification with MLLM-Boosted Similarity Matching

直播中的动态内容审核：结合监督分类与MLLM增强的相似度匹配

Wei Chee Yew, Hailun Xu, Sanjay Saha, Xiaotian Fan, Hiok Hian Ong, David Yuchen Wang, Kanchan Sarkar, Zhenheng Yang, Danhui Guan

机构 * TikTok Singapore Singapore（TikTok新加坡） ； TikTok San Jose United States（TikTok旧金山美国） ； TikTok Shanghai China（TikTok上海中国） 纠错

AI总结 提出一种混合审核框架，结合监督分类和基于参考的相似度匹配，利用多模态大语言模型提升准确性，在保持轻量推理的同时实现大规模直播内容审核。

Comments To be published at KDD 2026 (ADS track)

Local Clustering on Complex Graphs and Complex Hypergraphs

复杂图与复杂超图上的局部聚类

Zihao Li, Dongqi Fu, Hengyu Liu, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta 纠错

AI总结 本文通过扩展非近似的Andersen-Chung-Lang (ACL)聚类算法，提出了GeneralACL和HyperACL两种算法，分别适用于带权、有向、自环图以及边依赖顶点权重的超图，并证明了在温和条件下它们能识别出电导率二次最优的聚类。

Comments KDD 2026, Preprint version. 26 pages

A Block Decomposition Algorithm for Sparse Optimization

一种用于稀疏优化的块分解算法

Ganzhao Yuan, Li Shen, Wei-Shi Zheng

AI总结 本文提出了一种结合组合搜索方法和坐标下降方法优势的块分解算法，通过随机或贪心策略选择坐标子集作为工作集，并在原始目标函数上进行全局组合搜索，从而找到更优的 stationary 点，并建立了算法的收敛速度。

Comments to appear in SIGKDD 2020

Grey-box Process Control Mining for Anomaly Monitoring and Deconstruction

灰盒过程控制挖掘用于异常监控与分解

Andrés Vargas, MD Ridwan Al Iqbal, John S. Erickson, Kristin P. Bennett

AI总结 本文提出一种灰盒方法用于智能制造中的异常检测，结合过程控制ODE模型与贝叶斯回归，生成特征形状签名以识别异常来源。

Comments 9 pages, 15 figures, accepted to ODD v5.0: ACM SIGKDD 2018 Workshop August 2018, London UK. Paper originally published on the workshop's website, but not considered archival for resubmission purposes, so resubmitting to arXiv is allowed

Incremental Method for Spectral Clustering of Increasing Orders

逐步方法用于增加阶次的谱聚类

Pin-Yu Chen, Baichuan Zhang, Mohammad Al Hasan, Alfred O. Hero

AI总结 本文提出一种逐步方法，用于构建图拉普拉斯矩阵的特征谱，通过利用图拉普拉斯矩阵的特征结构，从已知的K-1个最小特征对中获取K个特征对，从而将批量特征分解问题转化为高效的顺序主导特征对计算问题。

Comments in KDD workshop on mining and learning graph, 2016 http://www.mlgworkshop.org/2016/

Abnormal Subspace Sparse PCA for Anomaly Detection and Interpretation

异常子空间稀疏PCA用于异常检测与解释

Xingyan Bin, Ying Zhao, Bilong Shen

AI总结 本文提出基于PCA的可解释异常检测模型，通过稀疏正交加载向量构建异常子空间，实现对检测到的异常进行解释，实验表明其检测性能与PCA相当。

Comments ODDx3, ACM SIGKDD 2015 Workshop

Petuum: A New Platform for Distributed Machine Learning on Big Data

Petuum：一种用于大数据上分布式机器学习的新平台

Eric P. Xing, Qirong Ho, Wei Dai, Jin Kyu Kim, Jinliang Wei, Seunghak Lee, Xun Zheng, Pengtao Xie, Abhimanu Kumar, Yaoliang Yu

AI总结 本文提出一种通用框架，系统解决大规模机器学习中的数据和模型并行挑战，通过观察许多机器学习程序本质上是优化导向的，并允许容错、迭代收敛的算法解决方案，从而实现高效的系统设计。

Comments 15 pages, 10 figures, final version in KDD 2015 under the same title

Provable Deterministic Leverage Score Sampling

可证明的确定性杠杆评分采样

Dimitris Papailiopoulos, Anastasios Kyrillidis, Christos Boutsidis

AI总结 本文研究确定性杠杆评分采样在矩阵近似中的有效性，证明其在幂律衰减条件下与随机采样等效，并通过实验证明其性能优于现有方法。

Comments 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining